MEMORIA DE VERIFICACIÓN
Máster Universitario en Ciencia de Datos / Master in
Data Science
por la Universidad de Cantabria y la
Universidad Internacional Menéndez Pelayo
Informe favorable ANECA: 10/07/2017
Identificador : 4316323
3 / 59
1. DESCRIPCIÓN DEL TÍTULO1.1. DATOS BÁSICOSNIVEL DENOMINACIÓN ESPECIFICA CONJUNTO CONVENIO CONV.
ADJUNTO
Máster Máster Universitario en Ciencia de Datos/Master inData Science por la Universidad de Cantabria y laUniversidad Internacional Menéndez Pelayo
Nacional Ver Apartado 1:
Anexo 1.
LISTADO DE ESPECIALIDADES
Especialidad en Inteligencia en Ciencia de Datos / Data Science Analytics
Especialidad en Ingeniería de Datos / Data Science Engineering
Especialidad en Datos en Abierto / Open Data Management
Especialidad en Ciencia de Datos / Data Science
RAMA ISCED 1 ISCED 2
Ciencias Matemáticas Estadística
NO HABILITA O ESTÁ VINCULADO CON PROFESIÓN REGULADA ALGUNA
AGENCIA EVALUADORA
Agencia Nacional de Evaluación de la Calidad y Acreditación
UNIVERSIDAD SOLICITANTE
Universidad Internacional Menéndez Pelayo
LISTADO DE UNIVERSIDADES
CÓDIGO UNIVERSIDAD
016 Universidad de Cantabria
071 Universidad Internacional Menéndez Pelayo
LISTADO DE UNIVERSIDADES EXTRANJERAS
CÓDIGO UNIVERSIDAD
No existen datos
LISTADO DE INSTITUCIONES PARTICIPANTES
No existen datos
1.2. DISTRIBUCIÓN DE CRÉDITOS EN EL TÍTULOCRÉDITOS TOTALES CRÉDITOS DE COMPLEMENTOS
FORMATIVOSCRÉDITOS EN PRÁCTICAS EXTERNAS
60 0
CRÉDITOS OPTATIVOS CRÉDITOS OBLIGATORIOS CRÉDITOS TRABAJO FIN GRADO/MÁSTER
18 36 6
LISTADO DE ESPECIALIDADES
ESPECIALIDAD CRÉDITOS OPTATIVOS
Especialidad en Inteligencia en Ciencia de Datos / Data Science Analytics 12.
Especialidad en Ingeniería de Datos / Data Science Engineering 12.
Especialidad en Datos en Abierto / Open Data Management 12.
Especialidad en Ciencia de Datos / Data Science 12.
1.3. Universidad Internacional Menéndez Pelayo1.3.1. CENTROS EN LOS QUE SE IMPARTELISTADO DE CENTROS
CÓDIGO CENTRO
28051751 Centro de Posgrado de la Universidad Internacional Menéndez Pelayo
1.3.2. Centro de Posgrado de la Universidad Internacional Menéndez Pelayo
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
4 / 59
1.3.2.1. Datos asociados al centroTIPOS DE ENSEÑANZA QUE SE IMPARTEN EN EL CENTRO
PRESENCIAL SEMIPRESENCIAL A DISTANCIA
Sí No No
PLAZAS DE NUEVO INGRESO OFERTADAS
PRIMER AÑO IMPLANTACIÓN SEGUNDO AÑO IMPLANTACIÓN
25 25
TIEMPO COMPLETO
ECTS MATRÍCULA MÍNIMA ECTS MATRÍCULA MÁXIMA
PRIMER AÑO 60.0 60.0
RESTO DE AÑOS 60.0 60.0
TIEMPO PARCIAL
ECTS MATRÍCULA MÍNIMA ECTS MATRÍCULA MÁXIMA
PRIMER AÑO 30.0 45.0
RESTO DE AÑOS 30.0 45.0
NORMAS DE PERMANENCIA
http://www.uimp.es/actividades-academicas/postgrado-e-investigacion/estudios/masteres-universitarios/normativa-de-permanencia.html
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
1.3. Universidad de Cantabria1.3.1. CENTROS EN LOS QUE SE IMPARTELISTADO DE CENTROS
CÓDIGO CENTRO
39011359 Facultad de Ciencias
1.3.2. Facultad de Ciencias1.3.2.1. Datos asociados al centroTIPOS DE ENSEÑANZA QUE SE IMPARTEN EN EL CENTRO
PRESENCIAL SEMIPRESENCIAL A DISTANCIA
Sí No No
PLAZAS DE NUEVO INGRESO OFERTADAS
PRIMER AÑO IMPLANTACIÓN SEGUNDO AÑO IMPLANTACIÓN
25 25
TIEMPO COMPLETO
ECTS MATRÍCULA MÍNIMA ECTS MATRÍCULA MÁXIMA
PRIMER AÑO 60.0 60.0
RESTO DE AÑOS 60.0 60.0
TIEMPO PARCIAL
ECTS MATRÍCULA MÍNIMA ECTS MATRÍCULA MÁXIMA
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
5 / 59
PRIMER AÑO 30.0 45.0
RESTO DE AÑOS 30.0 45.0
NORMAS DE PERMANENCIA
http://www.uimp.es/actividades-academicas/postgrado-e-investigacion/estudios/masteres-universitarios/normativa-de-permanencia.html
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
6 / 59
2. JUSTIFICACIÓN, ADECUACIÓN DE LA PROPUESTA Y PROCEDIMIENTOSVer Apartado 2: Anexo 1.
3. COMPETENCIAS3.1 COMPETENCIAS BÁSICAS Y GENERALES
BÁSICAS
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación deideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir deuna información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a laaplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos deinvestigación
CG3 - Redactar documentos científicos y técnicos, en particular artículos científicos
CG4 - Saber preparar y conducir presentaciones, ante públicos especializado, sobre una investigación o proyecto científico
CG5 - Planificar, diseñar y poner en marcha un proyecto avanzado
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
3.2 COMPETENCIAS TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de datos y entender su importancia para una sociedadbasada en los valores de la libertad, la justicia, la igualdad y el pluralismo
CT3 - Dominio de la gestión del tiempo
CT4 - Afrontar tareas y situaciones críticas
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
3.3 COMPETENCIAS ESPECÍFICAS
DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de datos y descubrir nuevas relaciones
DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles para lograr una visión adecuada de los mismos
DSDA04 - Investigar y analizar conjuntos de datos complejos, combinando diferentes fuentes y tipos de datos para mejorar elanálisis global
DSDA05 - Utilizar diferentes plataformas de análisis de datos para procesar datos complejos
DSDA06 - Capacidad de representación de datos variables y complejos para su visualización
DSDM01 - Desarrollar e implementar una estrategia de gestión de datos, en particular, en la forma de un plan de gestión de datos(DMP)
DSDM02 - Desarrollar e implementar modelos de datos, incluidos los metadatos
DSDM03 - Recoger e integrar diferentes fuentes de datos y su ingestión para su posterior análisis.
DSDM05 - Asegurar la calidad de los datos, su accesibilidad, y su forma de publicación (curación)
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
7 / 59
DSDM06 - Administrar los DPI (Derechos de Propiedad Intelectual) y cuestiones éticas en la gestión de datos
DSENG01 - Aplicar los principios de ingeniería a la investigación, diseño y desarrollo de un prototipo de aplicaciones de análisisde datos, o al desarrollo de estructuras, instrumentos, máquinas, experimentos, procesos, sistemas requeridos para ello
DSENG02 - Desarrollar y aplicar soluciones computacionales para problemas en un cierto dominio de aplicación, usando unaamplia gama de plataformas de análisis de datos
DSRM01 - Crear nuevas visiones y capacidades mediante el uso del método científico (hipótesis, prueba y evaluación).
DSRM02 - Realizar un estudio sistemático dirigido hacia un conocimiento más completo o la comprensión de los hechosobservables, y descubrir nuevos enfoques para lograr los objetivos en investigación o de organización
DSRM03 - Llevar a cabo un trabajo creativo, haciendo uso sistemático de la investigación o la experimentación, para descubrir orevisar nuestro conocimiento de la realidad, y utilizar este conocimiento en nuevas aplicaciones
DSRM04 - Capacidad para convertir las estrategias en planes de acción y llevar estos hasta su conclusión
DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y desarrollar ideas innovadoras
DSBPM01 - Comprender un área de investigación o negocio y ser capaz de traducir los problemas no estructurados a un marcomatemático abstracto
DSBPM02 - Utilizar los datos disponibles para mejorar los servicios existentes o desarrollar nuevos servicios
DSBPM03 - Participar de manera estratégica y tácticamente, aportando la visión de Data Science, en las decisiones que tienen unimpacto en administración y organización
DSBPM04 - Proporcionar servicios de apoyo científico, técnico y analítico a otras secciones en la organización
4. ACCESO Y ADMISIÓN DE ESTUDIANTES4.1 SISTEMAS DE INFORMACIÓN PREVIO
Ver Apartado 4: Anexo 1.
4.2 REQUISITOS DE ACCESO Y CRITERIOS DE ADMISIÓN
El acceso y la admisión al Máster están condicionados por un lado, por el cumplimiento de las condiciones administrativas impuestas por la legislaciónvigente y, por otro lado, por el perfil y procedencia del alumno, que puede ser muy variado debido al carácter transversal y especializado de este título.
Acceso.
Tendrán acceso al Máster todos los Licenciados/as, Diplomados/as, Graduados/as universitarios/as y, en general, todos aquellos que se encuen-tren en posesión de un título oficial universitario que les habilite para los estudios de posgrado, según lo dispuesto en el Artículo 16 del Real Decreto1393/2007 de 29 de octubre, modificado por el Real Decreto 861/2010, por el que se establece la ordenación de las enseñanzas universitarias oficia-les:
· Para acceder a las enseñanzas oficiales del Máster será necesario estar en posesión de un título universitario oficial español u otro expedido por una institución deeducación superior del Espacio Europeo de Educación Superior que facultan en el país expedidor del título para el acceso a enseñanzas de Máster.
· Asimismo, podrán acceder los titulados conforme a sistemas educativos ajenos al Espacio Europeo de Educación Superior sin necesidad de la homologación desus títulos, previa comprobación de que aquéllos acreditan un nivel de formación equivalente a los correspondientes títulos universitarios oficiales españoles yque facultan en el país expedidor del título para el acceso a enseñanzas de postgrado. El acceso por esta vía no implicará, en ningún caso, la homologación deltítulo previo de que esté en posesión el interesado, ni su reconocimiento a otros efectos que el de cursar las enseñanzas del Máster.
El título estará dirigido principalmente a titulados de Grado/Licenciatura de 240 créditos en Matemáticas, Física, e Ingeniería Informática, que seránadmitidos sin necesidad de complementos formativos. Alumnos procedentes de titulaciones de Grado de 240 créditos en Ingeniería de Telecomunica-ciones, Economía u otros títulos equivalentes así como de cualquiera de las titulaciones mencionadas pero de 180 créditos, nacionales o extranjeros,podrán ser admitidos sin complementos formativos si acreditan una formación de al menos 24 créditos de Matemáticas (que incluyan Estadística) y almenos 12 de informática (que incluya programación) en su formación universitaria. En caso contrario podrán ser admitidos bajo la condición de realiza-ción de hasta 30 créditos de complementos formativos.
Dado que parte de la docencia se dará en inglés se exigirá acreditar un nivel de inglés equivalente al B1 B2. En ausencia de una acreditación oficial,esta capacidad podrá ser verificada con una prueba propia del Centro de Idiomas de la UC.
La petición de incorporación de un alumno al Máster será analizada por la Comisión Académica que analizará las diferentes solicitudes recibidas y de-cidirá si el estudiante debe o no cursar complementos formativos. La diferente casuística que se contempla referente a la admisión de alumnos es lasiguiente:
1. Podrán acceder de manera directa los licenciados o graduados en Matemáticas, Física o Ingeniería Informática con 240 o más créditos de formación universita-ria.
2. También tendrán acceso, sin necesidad de cursar complementos de formación, los graduados de universidades extranjeras en estas titulaciones, siempre que lespermitan acceso a estudios de postgrado en su país, si acreditan haber cursado al menos 24 créditos de matemáticas (que incluya estadística) y 12 de informática(que incluya programación).
3. Igualmente, titulados o graduados de otras Ingenierías o de Economía (con formación de 240 créditos o más), siempre y cuando acrediten al menos 24 créditosde matemáticas (que incluya estadística) y 12 de informática (que incluya programación).
4. Alumnos con las titulaciones indicadas en ii) o iii) podrán ser admitidos con complementos formativos de hasta 30 créditos si no cumplen los requisitos formati-vos arriba indicados.
La admisión al Máster.
En el caso de que el número de solicitudes superase el número máximo de estudiantes de nuevo ingreso, los alumnos serán admitidos atendiendo alsiguiente criterio de valoración:
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
8 / 59
a) Expediente académico.
b) En caso de dudas o empates, se realizará una entrevista personal al alumno.
La Comisión Académica podrá admitir al alumno y asignarle hasta un máximo de 30 créditos en complementos de formación. Así, el alumno que noacredite una formación suficiente en matemáticas y/o informática, deberá realizar unos complementos de formación de los que hasta 18 serán de ma-temáticas y 12 de informática.
Excepcionalmente, si la formación complementaria necesaria no representa una carga adicional excesiva para el alumno, la Comisión Académica deltítulo podrá autorizar que sea cursada simultáneamente con el programa. Este proceso se realiza siempre designando al alumno un Tutor (profesor delMáster), el cual llevará a cabo un seguimiento personalizado del alumno para garantizar su éxito en la realización de los complementos a cursar.
4.3 APOYO A ESTUDIANTES
Una vez matriculados, e independientemente de la institución en que lo hagan, los estudiantes van a recibir apoyo y orientación por diversas vías:
· Página web de la UC y de la Facultad de Ciencias que incluirá información académica general, así como información particular sobre el presente título de MásterUniversitario, como ya se hace con los másteres en vigor.
· También se accederá a esta información desde la página web de la UIMP (http:/www.uimp.es/actividades-academicas/postgrado-e-investigacion.html)
· Directores del Máster: Información de interés en relación con el Máster.
· Tutorización personalizada: Asesoramiento en asuntos académicos.
· Plataforma virtual interactiva, en la que se transmitirá al estudiante todos los programas, presentaciones, apuntes, grabaciones de las clases (cuando sea posible),prácticas, calendario de actividades y material necesario para el desarrollo de las diferentes asignaturas. Asimismo, dicha plataforma constituye el mecanismopor el cual los estudiantes realizan o entregan al profesor gran parte de los trabajos prácticos, incluyendo la realización de tests, resolución de problemas, etc.
· Biblioteca de la UC: Cursos sobre localización de información
· SOUCAN: Técnicas y orientación para el estudio, comunicación oral e inteligencia
La Comisión Académica del máster guiará al alumnado en todos los aspectos académicos que no puedan ser resueltos directamente por los profeso-res. En la realización de prácticas externas, datalabs y TFM, el alumno tendrá asignado un profesor que actuará como tutor o director, y se encargaráde hacer el seguimiento, supervisión y orientación del trabajo a lo largo de las mismas.
4.4 SISTEMA DE TRANSFERENCIA Y RECONOCIMIENTO DE CRÉDITOS
Reconocimiento de Créditos Cursados en Enseñanzas Superiores Oficiales no Universitarias
MÍNIMO MÁXIMO
0 0
Reconocimiento de Créditos Cursados en Títulos Propios
MÍNIMO MÁXIMO
0 0
Adjuntar Título PropioVer Apartado 4: Anexo 2.
Reconocimiento de Créditos Cursados por Acreditación de Experiencia Laboral y Profesional
MÍNIMO MÁXIMO
0 0
El órgano responsable de la transferencia y reconocimiento de créditos es la Comisión Académica del Centro, previaconsulta a la del Máster. A la vista de las solicitudes efectuadas por los alumnos analizará y resolverá las mismas.En ningún caso será objeto de convalidación o reconocimiento el Trabajo de Fin de Máster.
La transferencia y reconocimiento de créditos se realizará de acuerdo con las disposiciones generales, y de ambasUniversidades, respetando los convenios que puedan establecer la UIMP y la UC con otras universidades naciona-les o extranjeras.
La Comisión Académica del Centro emitirá un informe razonado sobre la solicitud del estudiante, a fin de estable-cer la equivalencia entre los créditos oficiales cursados y las asignaturas del Plan de Estudios en atención al tipo dePlan de Estudios de origen, la equivalencia de competencias y el número de créditos. El informe tendrá carácter aca-démico, será favorable o desfavorable y será remitido a la universidad donde se haya matriculado el estudiante.
La normativa de reconocimiento y transferencia de créditos de la UIMP, disponible en su página web, aprobadapor el Consejo de Gobierno de 14 de agosto de 2008, y en particular, indica lo siguiente en relación a esta cuestión:
Corresponderá a la Comisión de Estudios de Posgrado la propuesta al Rector de la UIMP de posibles reconocimien-tos parciales de estudios en los programas oficiales, a petición de los interesados.
El reconocimiento parcial de estudios se aplicará en el caso de asignaturas o módulos cuyos contenidos sean sus-tancialmente iguales a los reconocidos, o si se han obtenido a través de programas internacionales de movilidad.
El reconocimiento supone trasladar al expediente la calificación obtenida en los estudios que se reconocen.
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
9 / 59
Estudios que pueden reconocerse:
Estudios realizados en la UIMP:
· Realizados en otros Másteres Universitarios de la UIMP.
· Enseñanzas reconocidas con títulos propios de postgrado de la UIMP.
En estos casos, se procederá al reconocimiento de asignaturas o módulos, recogiéndose la calificación correspon-diente. El reconocimiento de estudios realizados en la propia UIMP no llevará tasas adicionales.
Otros estudios:
· Estudios realizados en otros Másteres Universitarios españoles aprobados al amparo del RD 56/2005 y RD 1393/2007.
· Estudios realizados en programas de Doctorado de otras Universidades españolas del plan de estudios regulado por el Decre-to 778/98 de Tercer Ciclo.
· Estudios extranjeros realizados con posterioridad a la titulación que da acceso a los Estudios de Máster o Doctorado en elpaís correspondiente.
· Enseñanzas propias universitarias post-licenciatura/ingeniería (reconocidas como títulos propios de universidades españolaso títulos de universidades extranjeras posteriores a la titulación que da acceso a los Estudios de Máster o Doctorado en el paíscorrespondiente).
· Cursos extracurriculares de nivel equivalente a los Estudios de Máster o Doctorado en los que exista un control académico y,consecuentemente, una evaluación del trabajo realizado por el alumno.
Los créditos basados en horas lectivas no son directamente equiparables a los créditos ECTS, por lo tanto, la Comi-sión Académica del título realizará la propuesta de reconocimiento.
Solicitud y documentación necesaria:
La solicitud del estudiante deberá ir acompañada de un informe del Director/a responsable del programa correspon-diente que certifique la adecuación de la solicitud, la cual será valorada por la Comisión de Estudios de Postgrado.
El estudiante presentará en la Secretaría de Estudiantes de la UIMP la siguiente documentación:
· Impresos de solicitud de reconocimiento de créditos.
· Fotocopia compulsada de la Titulación de acceso y de la certificación académica del plan docente cursado en el que constenlas asignaturas, duración de los estudios y calificación obtenida. El estudiante debe comprobar, en función del país expedidorde la titulación universitaria, la documentación necesaria que debe aportar.
· Fotocopia compulsada del programa de las asignaturas cursadas y superadas de las que se solicita el reconocimiento de crédi-tos, con indicación de los contenidos desarrollados y de las competencias adquiridas, sellado por el centro correspondiente.
· Descripción del número de créditos que desea que le sean reconocidos, así como las asignaturas a que se refiere la solicitudde reconocimiento.
· Informe del Director/a responsable del programa que certifique la adecuación de la solicitud.
En el caso de los países de la Unión Europea no será necesaria la legalización, sino únicamente la autentificacióno cotejo de los documentos por los correspondientes servicios consulares del país o la presentación o cotejo de losdocumentos por los correspondientes servicios consulares del país o la presentación de originales y copia para sucotejo en esta Universidad.
El plazo de solicitud será de 15 días desde la finalización del plazo de matrícula.
Propuesta de resolución
La propuesta de resolución corresponderá a la Comisión de Estudios de Posgrado de la UIMP, que la elevará alConsejo de Gobierno de dicha Universidad para su aprobación.
La resolución de reconocimiento de créditos contendrá:
· La denominación de la/s asignatura/s objeto del reconocimiento, su tipología, número de créditos y calificación, indicandolas asignaturas origen del reconocimiento.
· La denominación de la/s asignatura/s que no proceda reconocer, indicando las asignaturas del plan de estudios de origen. Eneste caso la resolución será motivada.
La resolución se comunicará a la Secretaría de Estudiantes para su inclusión en el expediente del estudiante.
Importe y liquidación de los créditos reconocidos
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
10 / 59
El estudiante debe matricularse obligatoriamente, y en los plazos establecidos de matrícula, de todos los créditos re-queridos por curso académico, con independencia de si en las asignaturas que deba cursar se solicita, o no, recono-cimiento de créditos.
Los estudiantes que obtengan el reconocimiento de créditos tendrán derecho a la devolución del 75% de precio delcrédito correspondiente al Máster Universitario que realicen, establecido para el año en el que se realice el reconoci-miento en la resolución de precios públicos por estudios universitarios de la UIMP.
4.6 COMPLEMENTOS FORMATIVOS
Tal y como se ha indicado se ha previsto la impartición de hasta 30 créditos de complementos de formación en asig-naturas de primer y segundo curso de los grados de Matemáticas, Ingeniería Informática y Física de la UC para com-pletar la formación del alumno que lo necesite.
Los complementos de formación incluyen dos materias que se distribuyen a su vez en asignaturas de la siguientemanera:
Materia Complementos de Matemáticas, 18 créditos
1. Complementos de Álgebra: 6 créditos2. Complementos de Probabilidad y Estadística: 6 créditos3. Complementos de Análisis Matemático: 6 créditos
Materia Complementos de Informática, 12 créditos
1. Complementos de Programación: 6 créditos2. Complementos de Sistemas Informáticos: 6 créditos
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
11 / 59
5. PLANIFICACIÓN DE LAS ENSEÑANZAS5.1 DESCRIPCIÓN DEL PLAN DE ESTUDIOS
Ver Apartado 5: Anexo 1.
5.2 ACTIVIDADES FORMATIVAS
Participación y asistencia a lecciones magistrales y seminarios
Realización de prácticas de computación y análisis de datos
Desarrollo de proyectos guiados
Participación en casos prácticos en empresas o centros de investigación
Prácticas externas
Tutorías (presenciales o por medio de recursos telemáticos)
Elaboración de informes de laboratorio y trabajos
Estudio individual de contenidos de la asignatura
Trabajo en grupo
Pruebas de evaluación
5.3 METODOLOGÍAS DOCENTES
No existen datos
5.4 SISTEMAS DE EVALUACIÓN
Examen (escrito, oral y/o práctico en el aula de computación)
Valoración de informes y trabajos escritos
Valoración de exposiciones orales de trabajos
Seguimiento de actividades presenciales
Memoria escrita del Trabajo de Fin de Máster
Defensa del Trabajo de Fin de Máster
Informe final del tutor externo de la actividad
5.5 NIVEL 1: M01 Fundamentos
5.5.1 Datos Básicos del Nivel 1
NIVEL 2: M01 Panorámica de Ciencia de Datos/ Data Science Overview
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Obligatoria
ECTS NIVEL 2 6
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
12 / 59
ITALIANO OTRAS
No No
NIVEL 3: M01.1 Introducción a los Datos Masivos y a la Ciencia en Abierto/ Introduction to Big Data and Open Science
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Obligatoria 6 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
5.5.1.2 RESULTADOS DE APRENDIZAJE
-Identificar problemas de Big Data en el contexto Open Science que requieren técnicas de Ciencia de Datos para su resolución
-Distinguir entre los diferentes componentes de dificultad de un problema de Big Data
-Saber elegir fuentes de información en el contexto de Open Science
-Identificar los elementos requeridos para abordar una solución completa, incluyendo la arquitectura y los diferentes actores implicados
-Conocer las nuevas técnicas en Data Science y las diferentes iniciativas en marcha e instituciones y empresas implicadas.
-Identificar el perfil profesional requerido en el contexto de Data Science
5.5.1.3 CONTENIDOS1. Introducción al contexto de Open Science (Ciencia en Abierto).2. Relevancia de los problemas de Big Data en Open Science3. El enfoque desde Ciencia de Datos4. Ejemplos relevantes de la aplicación de Ciencia de Datos en Open Science5. Arquitectura de las soluciones.6. Descripción de las e-Infraestructuras y el correspondiente Middleware7. Panorámica de casos de uso en las áreas de Salud, Medio Ambiente, Urbanismo, Economía, Astrofísica, Ciencias Sociales, Humanidades, Gestión Pública.8. Problemas y desafíos.9. Perfiles profesionales en el ecosistema de la Ciencia de datos.
10. Nuevas tendencias y desarrollos.11. Proyectos e iniciativas, instituciones y empresas implicadas.
5.5.1.4 OBSERVACIONES
Objetivos:
La presente materia tiene como objetivo proporcionar al estudiante una visión de global de lo que se conoce como Data Science, (o Ciencia de Datos),de los problemas de Big Data, y del contexto de Open Science (o Ciencia Abierta).
Metodología:
Se comenzará por una exposición de los conceptos básicos, incluyendo ejemplos sencillos pero relevantes, que serán analizados individualmente ydiscutidos en común.
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
13 / 59
Se revisarán los diferentes componentes de una solución, y los actores que participan en el desarrollo de la misma.
Los estudiantes, organizados en grupos, realizarán un análisis detallado de un caso de estudio en una de las áreas comentadas (Salud, Medio Am-biente, Urbanismo, Economía, Astrofísica, Ciencias Sociales, Humanidades, Gestión Pública).
Se invitará puntualmente a profesionales destacados en cada temática para aportar un punto de vista práctico y cercano sobre la situación actual y re-tos profesionales concretos
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos deinvestigación
CG4 - Saber preparar y conducir presentaciones, ante públicos especializado, sobre una investigación o proyecto científico
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación deideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir deuna información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a laaplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de datos y entender su importancia para una sociedadbasada en los valores de la libertad, la justicia, la igualdad y el pluralismo
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de datos y descubrir nuevas relaciones
DSDA04 - Investigar y analizar conjuntos de datos complejos, combinando diferentes fuentes y tipos de datos para mejorar elanálisis global
DSDA06 - Capacidad de representación de datos variables y complejos para su visualización
DSENG01 - Aplicar los principios de ingeniería a la investigación, diseño y desarrollo de un prototipo de aplicaciones de análisisde datos, o al desarrollo de estructuras, instrumentos, máquinas, experimentos, procesos, sistemas requeridos para ello
DSRM01 - Crear nuevas visiones y capacidades mediante el uso del método científico (hipótesis, prueba y evaluación).
DSRM02 - Realizar un estudio sistemático dirigido hacia un conocimiento más completo o la comprensión de los hechosobservables, y descubrir nuevos enfoques para lograr los objetivos en investigación o de organización
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
30 100
Realización de prácticas de computación yanálisis de datos
15 100
Desarrollo de proyectos guiados 40 20
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
14 / 59
Tutorías (presenciales o por medio derecursos telemáticos)
10 30
Elaboración de informes de laboratorio ytrabajos
12 0
Estudio individual de contenidos de laasignatura
30 0
Trabajo en grupo 10 0
Pruebas de evaluación 3 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
NIVEL 2: M02 Métodos en Ciencia de Datos/ Methods in Data Science
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Obligatoria
ECTS NIVEL 2 12
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
12
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
NIVEL 3: M02.1 Estadística para la Ciencia de Datos/ Statistics for Data Science
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Obligatoria 6 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
15 / 59
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
NIVEL 3: M02.02 Minería de Datos/ Data Mining
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Obligatoria 6 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
5.5.1.2 RESULTADOS DE APRENDIZAJE
Resultados del aprendizaje:
-Entender las técnicas para la descripción estadística de un conjunto de datos y saber aplicar críticamente las que mejor se adapten a un caso prácti-co.
-Entender las técnicas estadísticas de muestreo y remuestreo.
-Entender las técnicas de contraste de hipótesis y saber aplicarlas a problemas típicos.
-Entender el modelo de regresión lineal y saber aplicarlo en casos prácticos.
-Entender el método de máxima verosimilitud para estimación de parámetros.
-Conocer el concepto de regularización.
-Saber identificar los distintos problemas de minería de datos (asociación, segmentación, clasificación y predicción) y saber qué técnicas se aplican encada caso.
-Entender las principales metodologías para aprendizaje automático (basado en casos, supervisado o no supervisado) .
-Entender el funcionamiento y saber aplicar las principales técnicas de minería de datos.
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
16 / 59
-Conocer el concepto de generalización y entender el problema del sobreajuste.
-Saber validar de forma crítica los modelos aprendidos y saber identificar el modelo más adecuado para un caso práctico concreto.
-Saber utilizar paquetes estándar disponibles en R para resolver casos prácticos de minería de datos y analizar críticamente las soluciones obtenidas.
5.5.1.3 CONTENIDOS1. Estadística descriptiva.2. Muestreo y Monte Carlo.3. Fundamentos de inferencia estadística: una y varias variables.4. Contrastes paramétricos y no paramétricos para una y varias muestras.5. Técnicas de remuestreo (bootstrap).6. Modelos de regresión. Estimación de máxima verosimilitud.7. Regularización. Regresión contraída (ridge regression)8. Problemas de asociación, segmentación, clasificación, y predicción.9. Aprendizaje basado en casos, no supervisado, supervisado, o por refuerzo.
10. Evaluación de métodos. Sobreajuste, validación cruzada (k-fold).11. Reglas de asociación.12. Técnicas de vecinos cercanos, distancias, núcleos y funciones de base radial.13. Segmentación jerárquica, k-medias, SOM.14. Árboles de clasificación y regresión.15. Modelos lineales y aditivos generalizados.16. Aprendizaje por conjuntos: boosting y bagging.
5.5.1.4 OBSERVACIONES
Objetivos:
Esta materia tiene como objetivo proporcionar a los estudiantes conocimientos básicos sobre los métodos estadísticos para la descripción, presenta-ción y análisis de datos, así como los principios generales para la aplicación práctica de las principales técnicas automáticas de modelización y predic-ción de minería de datos para el tratamiento de grandes masas de datos.
Metodología:
Se comenzará por una exposición de los conceptos y métodos básicos, incluyendo ejemplos ilustrativos sencillos de distintas disciplinas, que seránanalizados y discutidos en común. Los estudiantes, organizados en grupos, realizarán un análisis práctico detallado de distintos casos de estudio paraproblemas de asociación, segmentación, clasificación y predicción aplicando las técnicas adecuadas en cada caso. La parte práctica se realizará utili-zando el software estadístico R de uso libre.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos deinvestigación
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación deideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT3 - Dominio de la gestión del tiempo
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de datos y descubrir nuevas relaciones
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
17 / 59
DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles para lograr una visión adecuada de los mismos
DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y desarrollar ideas innovadoras
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
60 100
Realización de prácticas de computación yanálisis de datos
30 100
Desarrollo de proyectos guiados 60 20
Tutorías (presenciales o por medio derecursos telemáticos)
20 30
Elaboración de informes de laboratorio ytrabajos
44 0
Estudio individual de contenidos de laasignatura
60 0
Trabajo en grupo 20 0
Pruebas de evaluación 6 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
NIVEL 2: M03 Gestión de Datos/ Data Management
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Obligatoria
ECTS NIVEL 2 12
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
12
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
18 / 59
No No
NIVEL 3: M03.01 Modelos de datos y sistemas información/ Data models and information systems
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Obligatoria 6 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
NIVEL 3: M03.02 El Ciclo de vida de los datos: de la adquisición a la presentación/ Data life cycle: from acquisition to presentation
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Obligatoria 6 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
5.5.1.2 RESULTADOS DE APRENDIZAJE
-Modelar un problema de datos, recoger su semántica, relaciones y restricciones.
-Seleccionar la tecnología de gestión de datos más adecuada de acuerdo al volumen de datos a manejar, el objeto de su uso y las restricciones de se-guridad e integridad que impone el problema de datos.
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
19 / 59
-Diseñar e implementar el ciclo de vida de un sistema de gestión de datos, desde la recogida de requisitos hasta su implementación.
-Interrogar fuentes de datos mediante el lenguaje estándar SQL y su extensión OLAP, así como utilizando lenguajes específicos usados por tecnolo-gías más recientes.
-Realizar procesos de extracción, transformación y carga de datos para la visualización y análisis de datos.
-Diseñar y ejecutar un DMP (Data Management Plan)
-Operar modelos de datos, incluyendo metadatos
-Integrar diferentes fuentes de datos, visualizar la conexión entre las mismas y comparar diferentes fuentes para realizar nuevos análisis.
5.5.1.3 CONTENIDOS1. Introducción a la gestión de la información. Ciclo de vida de los sistemas de información.2. Tipos y estructuras de datos. Modelado de datos. Diseño conceptual, diseño lógico y diseño físico.3. Tecnologías de gestión de datos para sistemas científicos y sistemas corporativos.4. Base de datos relacionales. Lenguaje SQL. Tecnología OLAP.5. Bases de datos para problemas de Big Data.6. Extracción, transformación y carga de datos.7. Diferentes aproximaciones al Ciclo de Vida de los Datos.8. Planificación de la gestión de los datos: DMPs9. Herramientas de gestión de Metadatos.
10. Ingestión de datos. Ejemplos multidisciplinares.11. Publicación de datos en abierto.12. Plataformas de re-uso de datos en abierto.
5.5.1.4 OBSERVACIONES
Objetivos:
Esta materia tiene como objetivo proporcionar al estudiante una introducción a los modelos de datos y sistemas de información, incluyendo tanto el di-seño cómo la implementación práctica sobre bases de datos o sistemas de ficheros, y las herramientas para explotarlos. Igualmente se espera que elestudiante comprenda el interés de diseñar las soluciones teniendo en cuenta el ciclo de vida completo de los datos, desde la planificación de su ges-tión hasta la publicación de los mismos y su posible re-uso.
Metodología:
En cada asignatura se comenzará por una exposición de los conceptos básicos, incluyendo ejemplos sencillos pero relevantes, que serán analizadosindividualmente y discutidos en común, e implementados en lenguaje Python y/o R.
Se revisarán los diferentes componentes de una solución, y los actores que participan en el desarrollo de la misma. Los estudiantes, organizados engrupos, realizarán un análisis detallado de un caso de estudio empleando las diferentes tecnologías discutidas, tales como SQL, OLAP, noSQL, DM-Ptool, plataformas de soporte del ciclo de vida de los datos.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos deinvestigación
CG5 - Planificar, diseñar y poner en marcha un proyecto avanzado
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación deideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT5 - Capacidad de trabajo autónomo y toma de decisiones
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
20 / 59
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSDA04 - Investigar y analizar conjuntos de datos complejos, combinando diferentes fuentes y tipos de datos para mejorar elanálisis global
DSDA05 - Utilizar diferentes plataformas de análisis de datos para procesar datos complejos
DSDA06 - Capacidad de representación de datos variables y complejos para su visualización
DSDM01 - Desarrollar e implementar una estrategia de gestión de datos, en particular, en la forma de un plan de gestión de datos(DMP)
DSDM02 - Desarrollar e implementar modelos de datos, incluidos los metadatos
DSDM03 - Recoger e integrar diferentes fuentes de datos y su ingestión para su posterior análisis.
DSDM05 - Asegurar la calidad de los datos, su accesibilidad, y su forma de publicación (curación)
DSENG01 - Aplicar los principios de ingeniería a la investigación, diseño y desarrollo de un prototipo de aplicaciones de análisisde datos, o al desarrollo de estructuras, instrumentos, máquinas, experimentos, procesos, sistemas requeridos para ello
DSENG02 - Desarrollar y aplicar soluciones computacionales para problemas en un cierto dominio de aplicación, usando unaamplia gama de plataformas de análisis de datos
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
60 100
Realización de prácticas de computación yanálisis de datos
30 100
Desarrollo de proyectos guiados 50 20
Participación en casos prácticos enempresas o centros de investigación
10 30
Tutorías (presenciales o por medio derecursos telemáticos)
20 30
Elaboración de informes de laboratorio ytrabajos
44 0
Estudio individual de contenidos de laasignatura
60 0
Trabajo en grupo 20 0
Pruebas de evaluación 6 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
5.5 NIVEL 1: M02 Especialización
5.5.1 Datos Básicos del Nivel 1
NIVEL 2: M04 Inteligencia en Ciencia de Datos/ Data Science Analytics
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Optativa
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
21 / 59
ECTS NIVEL 2 12
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
12
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Inteligencia en Ciencia de Datos / Data Science Analytics
Especialidad en Ciencia de Datos / Data Science
NIVEL 3: M04.01 Aprendizaje automático I/ Machine learning I
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Ciencia de Datos / Data Science
Especialidad en Inteligencia en Ciencia de Datos / Data Science Analytics
NIVEL 3: M04.02 Aprendizaje automático II/ Machine learning II
5.5.1.1.1 Datos Básicos del Nivel 3
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
22 / 59
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Inteligencia en Ciencia de Datos / Data Science Analytics
Especialidad en Ciencia de Datos / Data Science
NIVEL 3: M04.03 Semántica, datos conectados y minería de datos textual/ Semantics, linked data and text data mining
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Inteligencia en Ciencia de Datos / Data Science Analytics
Especialidad en Ciencia de Datos / Data Science
5.5.1.2 RESULTADOS DE APRENDIZAJE
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
23 / 59
-Entender el funcionamiento de las redes neuronales supervisadas y saber aplicarlas a diferentes problemas y tipos de datos.
-Conocer los ventajas de modelos más simples basados en proyecciones aleatorias.
-Conocer la metodología deep learning y saber usar distintos paquetes estándar para su aplicación en problemas reales.
-Entender los fundamentos del aprendizaje estadístico.
-Entender el concepto de variable latente y conocer los métodos para su tratamiento.
-Saber analizar datos discretos utilizando redes probabilísticas.
-Entender métodos complementarios para el análisis de grandes masas de datos no estructurados, introduciéndose en el campos de la minería de tex-tos (y minería Web).
-Entender los fundamentos de la representación y análisis de datos con redes complejas.
5.5.1.3 CONTENIDOS1. Redes neuronales. Topologías multicapa y recurrente.2. Algoritmos iterativos de aprendizaje (backprop).3. Reservorios y técnicas de proyección aleatoria.4. Extreme Learning Machines.5. Retos en problemas "big data". Aprendizaje batch y online.6. Deep learning. Autoencoders y convolución.7. Tecnologías y paquetes para redes neuronales y deep learning.
1. Aprendizaje estadístico.2. Márgenes y vectores soporte. Máquinas de vector soporte (SVM)3. Métodos basados en núcleos.4. Variables latentes y método EM.5. Modelos de Markov ocultos (HMM).6. Aprendizaje Bayesiano. Redes probabilísticas. Causalidad.7. Selección de modelos. MCMC.
1. Redes semánticas.2. Ontologías.3. Aprendizaje de ontologías.4. Linked data.5. Análisis de redes complejas.6. Minería de textos y minería Web.
5.5.1.4 OBSERVACIONES
Objetivos:
Esta materia tiene como objetivo proporcionar al estudiante los conocimientos básicos sobre las distintas metodologías y técnicas de aprendizaje auto-mático (machine learning) para que sepan aplicarlas de forma crítica en problemas reales, incluyendo la minería de textos y la minería Web. Un segun-do objetivo, de tipo práctico, es proporcionar al alumno las capacidades y herramientas estándar necesarias para poder llevar a cabo de manera autó-noma proyectos de analítica de datos.
Metodología:
Se comenzará por una exposición de los conceptos y métodos básicos, incluyendo ejemplos ilustrativos sencillos de distintas disciplinas, que seránanalizados y discutidos en común. Los estudiantes, organizados en grupos, realizarán un análisis práctico detallado de distintos casos de estudioreales (por ejemplo, problemas de Kaggle o Kaggle in Class) adaptando y aplicando las técnicas adecuadas en cada caso. La parte práctica se reali-zará utilizando el software estadístico R de uso libre y software específico especializado (e.g. para deep learning).
Competencias específicas de la especialización:
Hay que indicar que en esta materia se adquirirán las competencias específicas ¿DSDA03 ¿ Aplicar técnicas analíticas especializadas para permitiruna toma de decisiones ágil¿ que será única para esta especialidad.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos deinvestigación
CG4 - Saber preparar y conducir presentaciones, ante públicos especializado, sobre una investigación o proyecto científico
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
24 / 59
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación deideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de datos y entender su importancia para una sociedadbasada en los valores de la libertad, la justicia, la igualdad y el pluralismo
CT3 - Dominio de la gestión del tiempo
CT4 - Afrontar tareas y situaciones críticas
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de datos y descubrir nuevas relaciones
DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles para lograr una visión adecuada de los mismos
DSENG02 - Desarrollar y aplicar soluciones computacionales para problemas en un cierto dominio de aplicación, usando unaamplia gama de plataformas de análisis de datos
DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y desarrollar ideas innovadoras
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
60 100
Realización de prácticas de computación yanálisis de datos
30 100
Desarrollo de proyectos guiados 50 20
Participación en casos prácticos enempresas o centros de investigación
10 30
Tutorías (presenciales o por medio derecursos telemáticos)
20 30
Elaboración de informes de laboratorio ytrabajos
44 0
Estudio individual de contenidos de laasignatura
60 0
Trabajo en grupo 20 0
Pruebas de evaluación 6 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
25 / 59
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
NIVEL 2: M05 Ingeniería de Datos/ Data Science Engineering
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Optativa
ECTS NIVEL 2 12
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
12
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Ingeniería de Datos / Data Science Engineering
Especialidad en Ciencia de Datos / Data Science
NIVEL 3: M05.01 Sistemas de computación para datos masivos/ Computing systems for big data
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
26 / 59
No No
LISTADO DE ESPECIALIDADES
Especialidad en Ingeniería de Datos / Data Science Engineering
Especialidad en Ciencia de Datos / Data Science
NIVEL 3: M05.02 Herramientas en la nube para la Ciencia de Datos/ Cloud for Data Science
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Ingeniería de Datos / Data Science Engineering
Especialidad en Ciencia de Datos / Data Science
NIVEL 3: M05.03 Desarrollo de proyectos/ Projects development (OpenProject, github)
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
27 / 59
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Ingeniería de Datos / Data Science Engineering
Especialidad en Ciencia de Datos / Data Science
5.5.1.2 RESULTADOS DE APRENDIZAJE
-Identificar los recursos de computación adecuados, tanto locales como distribuidos, para abordar un problema de Data Science
-Definir los requerimientos técnicos de nuevas aplicaciones en analítica de datos a partir de un diseño de alto nivel.
-Implementar algoritmos paralelos sencillos pero útiles en Data Science para su uso en un cluster o en un supercomputador.
- Saber acceder a sistemas en entorno Cloud en formato IaaS, PaaS o SaaS, para implementar una solución en Big Data
- Utilizar una solución basada en contenedores (mediante la herramienta Docker)
- Cómo diseñar y gestionar un proyecto de computación Cloud.
- Planificar la gestión mediante un estándar de cara a los usuarios de la infraestructura
5.5.1.3 CONTENIDOS1. Arquitectura de una e-Infraestructura2. Computación HPC y HTC: servidores, clusters, supercomputadores.3. Gestión clásica de un cluster de computación. Sistemas de colas. Benchmarking. Monitorización.4. Redes de interconexión de sistemas.5. Sistemas de almacenamiento.6. Transmisión de datos en Internet.7. Computación distribuida.8. Computación en paralelo. Introducción a MPI.9. Principios de gestión como servicio: introducción a FitSM.
1. Virtualización de sistemas. Hipervisores.2. Uso de Contenedores y Docker.3. Entorno Cloud: principios básicos.4. Infraestructura como Servicio (IaaS), estándares (OCCI), gestión básica con OpenStack.5. Acceso a recursos comerciales: Amazon, Azure, BlueMix, Google Cloud.6. Composición de Servicios y Platform as a Service (PaaS). Herramientas básicas.7. Software as a Service (SaaS). Ejemplos de aplicaciones. Acceso a R y Python en modo SaaS.8. Almacenamiento en entorno Cloud: el estándar CDMI y de-facto S3. Ejemplos de integración de datos locales (CEPH) y distribuidos (OneData).9. Plataformas SaaS para Big Data.
1. Introducción a la metodología de proyectos.2. Diseño de Casos de Estudio.3. Desarrollo de software. Metodología Agil.4. Control de versiones. Github.5. Despliegue de software en entornos distribuidos.6. Gestión global del proyecto.7. Aplicación de FitSM en el desarrollo de proyectos8. Servicio a terceros: SLA (Service Level Agrement) y CRM (Customer Relationship Management)
5.5.1.4 OBSERVACIONES
Objetivos:
Esta materia tiene como objetivo proporcionar al estudiante un contacto directo con las tecnologías, principalmente de ingeniería informática, que per-miten el despliegue de las herramientas de análisis de datos y el desarrollo e implementación de nuevas soluciones.
Metodología:
En cada asignatura se comenzará por una exposición de los conceptos básicos, incluyendo ejemplos sencillos pero relevantes, que serán analizadosindividualmente y discutidos en común.
Se revisarán los diferentes componentes de una solución, y los actores que participan en el desarrollo de la misma.
Los estudiantes, organizados en grupos, realizarán un análisis detallado de un caso de estudio empleando las diferentes tecnologías discutidas, porejemplo supercomputación, recursos cloud, o plataformas de desarrollo de proyectos.
Competencias específicas de la especialización:
Hay que indicar que en esta materia se adquirirán las competencias específicas siguientes que serán únicas para esta especialidad:
· DSENG03 - Desarrolla herramientas especializadas de análisis de datos para apoyar la toma de decisiones ejecutivas.
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
28 / 59
· DSENG04 - Diseñar, construir, operar tecnologías de bases de datos.
· DSENG05 - Desarrollar soluciones para un acceso de datos seguro y fiable.
· DSENG06 ¿ Realizar prototipos de nuevas aplicaciones de analítica de datos.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos deinvestigación
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación deideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de datos y entender su importancia para una sociedadbasada en los valores de la libertad, la justicia, la igualdad y el pluralismo
CT3 - Dominio de la gestión del tiempo
CT4 - Afrontar tareas y situaciones críticas
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSDM02 - Desarrollar e implementar modelos de datos, incluidos los metadatos
DSENG01 - Aplicar los principios de ingeniería a la investigación, diseño y desarrollo de un prototipo de aplicaciones de análisisde datos, o al desarrollo de estructuras, instrumentos, máquinas, experimentos, procesos, sistemas requeridos para ello
DSENG02 - Desarrollar y aplicar soluciones computacionales para problemas en un cierto dominio de aplicación, usando unaamplia gama de plataformas de análisis de datos
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
60 100
Realización de prácticas de computación yanálisis de datos
30 100
Desarrollo de proyectos guiados 50 20
Participación en casos prácticos enempresas o centros de investigación
10 30
Tutorías (presenciales o por medio derecursos telemáticos)
20 30
Elaboración de informes de laboratorio ytrabajos
44 0
Estudio individual de contenidos de laasignatura
60 0
Trabajo en grupo 20 0
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
29 / 59
Pruebas de evaluación 6 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
NIVEL 2: M06 Gestión de Datos en Abierto/ Open Data Management
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Optativa
ECTS NIVEL 2 12
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
12
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Datos en Abierto / Open Data Management
Especialidad en Ciencia de Datos / Data Science
NIVEL 3: M06.01 Portales y servicios de acceso a datos en abierto/ Open Data portals and access services
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
30 / 59
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Datos en Abierto / Open Data Management
Especialidad en Ciencia de Datos / Data Science
NIVEL 3: M06.02 Preservación de datos/ Data preservation
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Datos en Abierto / Open Data Management
Especialidad en Ciencia de Datos / Data Science
NIVEL 3: M06.03 Repositorios en abierto/ Open data repositories
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 4 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
4
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
31 / 59
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
Especialidad en Datos en Abierto / Open Data Management
Especialidad en Ciencia de Datos / Data Science
5.5.1.2 RESULTADOS DE APRENDIZAJE
-Identificar la forma de acceder a diferentes repositorios de datos en abierto para abordar un problema de Data Science
-Implementar ejemplos sencillos pero útiles de acceso a portales de datos relevantes directamente o mediante APIs en un contexto de web services.
-Operar un repositorio sencillo con datos históricos. Implementar una versión ya disponible y proponer mejoras en el diseño del mismo.
-Ilustrar cómo el software existente puede usarse para mejorar la calidad de los datos, y en particular su accesibilidad.
5.5.1.3 CONTENIDOS1. Portales de acceso a datos en abierto2. Registro de datos y metadatos, estándares y herramientas.3. Descarga de datos, acceso mediante web services y APIs4. Ejemplos relevantes de portales globales de datos en abierto(GEOSS)5. Infraestructuras de procesado de datos en abierto.6. Preservación de datos: preservación física (bit)7. Preservación de datos: uso de identificadores (PID y DOI)8. Preservación del software: gestión de código y uso de VM9. Preservación del análisis y cadena de provenance
10. Estándares de ingestión de datos.11. Repositorios digitales: ejemplos institucionales.12. Implementación de un repositorio digital: herramienta Invenio.13. Herramientas analíticas de explotación de repositorios.
5.5.1.4 OBSERVACIONES
Objetivos:
Esta materia tiene como objetivo proporcionar al estudiante un contacto directo con las tecnologías utilizadas para la implementación de repositoriosde datos y su posterior explotación. Se presentan los estándares más relevantes y las iniciativas más visibles en diferentes áreas de conocimientodentro del contexto Open Science.
Metodología:
En cada asignatura se comenzará por una exposición de los conceptos básicos, incluyendo ejemplos sencillos pero relevantes, que serán analizadosindividualmente y discutidos en común.
Se revisarán los diferentes componentes de una solución, y los actores que participan en el desarrollo de la misma.
Los estudiantes, organizados en grupos, realizarán un análisis detallado de un caso de estudio empleando las diferentes tecnologías discutidas, porejemplo el portal GEOSS, el repositorio institucional del CERN basado en Invenio, o los portales de preservación de DPHEP.
Competencias específicas de la especialización:
Hay que indicar que en esta materia se adquirirán las competencias específicas
DSDM04 - Desarrollar y mantener un repositorio histórico de datos y de resultados de su análisis, garantizando su procedencia ("provenance")
DSRM05 - Contribuir a e influir en el desarrollo de los objetivos de una organización en cuanto a manejo y gestión de datos.
DSBPM05 - Analizar los datos de los clientes para identificar / optimizar la relación con los mismos.
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
32 / 59
que serán únicas para esta especialidad.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación deideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de datos y entender su importancia para una sociedadbasada en los valores de la libertad, la justicia, la igualdad y el pluralismo
CT3 - Dominio de la gestión del tiempo
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSDM02 - Desarrollar e implementar modelos de datos, incluidos los metadatos
DSDM03 - Recoger e integrar diferentes fuentes de datos y su ingestión para su posterior análisis.
DSDM05 - Asegurar la calidad de los datos, su accesibilidad, y su forma de publicación (curación)
DSENG01 - Aplicar los principios de ingeniería a la investigación, diseño y desarrollo de un prototipo de aplicaciones de análisisde datos, o al desarrollo de estructuras, instrumentos, máquinas, experimentos, procesos, sistemas requeridos para ello
DSENG02 - Desarrollar y aplicar soluciones computacionales para problemas en un cierto dominio de aplicación, usando unaamplia gama de plataformas de análisis de datos
DSBPM02 - Utilizar los datos disponibles para mejorar los servicios existentes o desarrollar nuevos servicios
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
60 100
Realización de prácticas de computación yanálisis de datos
30 100
Desarrollo de proyectos guiados 50 20
Participación en casos prácticos enempresas o centros de investigación
10 30
Tutorías (presenciales o por medio derecursos telemáticos)
20 30
Elaboración de informes de laboratorio ytrabajos
44 0
Estudio individual de contenidos de laasignatura
60 0
Trabajo en grupo 20 0
Pruebas de evaluación 6 100
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
33 / 59
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
5.5 NIVEL 1: M03 Contexto Profesional
5.5.1 Datos Básicos del Nivel 1
NIVEL 2: M07 Seguridad, Privacidad y Aspectos Legales/ Security, Privacity and Legal Aspects
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Obligatoria
ECTS NIVEL 2 3
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
NIVEL 3: M07.01 Seguridad, privacidad y aspectos legales/ Security, privacity and legal aspects
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Obligatoria 3 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
34 / 59
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
5.5.1.2 RESULTADOS DE APRENDIZAJE
-Identificar que formas de acceso a un recurso en la red cuentan con un nivel de seguridad adecuado, y que herramientas están disponibles.
-Conocer la legislación básica que protege los datos personales, y cómo debe tenerse en cuenta a la hora de diseñar un proyecto o una aplicación.
-Configurar el software de gestión de datos para gestionar DPI y posibles conflictos éticos.
-Identificar las cuestiones de DPI y posibles conflictos éticos en un repositorio de datos.
-Considerar que tipo de licencia es adecuado para publicar datos en el entorno Open Science, teniendo en cuenta las recomendaciones de la RDA(Research Data Allianz).
5.5.1.3 CONTENIDOS1. Introducción a la seguridad en la red2. Identidad digital y acceso a recursos. Autenticación y Autorización.3. Protección de datos personales.4. Licencias y uso de software y de datos.5. Aplicación en el entorno Open Science
5.5.1.4 OBSERVACIONES
Objetivos:
En esta asignatura el estudiante conocerá los mecanismos básicos para proporcionar un acceso seguro a los recursos en la red, cómo tener en cuentala debida protección de datos personales, y las condiciones de explotación de datos y software mediante licencias.
Metodología:
En esta asignatura se comenzará por una exposición de los conceptos básicos, incluyendo ejemplos sencillos pero relevantes, que serán analizadosindividualmente y discutidos en común. Se revisarán los diferentes componentes de una solución, y los actores que participan en el desarrollo de lamisma. Los estudiantes, organizados en grupos, realizarán un análisis detallado de un caso de estudio empleando las diferentes tecnologías discuti-das, por ejemplo cómo se protege el acceso a los datos de los pacientes en un entorno médico, o que licencias debemos aplicar para que datos me-dioambientales sean explotados en abierto pero convenientemente referenciados.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG3 - Redactar documentos científicos y técnicos, en particular artículos científicos
CG5 - Planificar, diseñar y poner en marcha un proyecto avanzado
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir deuna información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a laaplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
35 / 59
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de datos y entender su importancia para una sociedadbasada en los valores de la libertad, la justicia, la igualdad y el pluralismo
CT4 - Afrontar tareas y situaciones críticas
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSDM06 - Administrar los DPI (Derechos de Propiedad Intelectual) y cuestiones éticas en la gestión de datos
DSENG01 - Aplicar los principios de ingeniería a la investigación, diseño y desarrollo de un prototipo de aplicaciones de análisisde datos, o al desarrollo de estructuras, instrumentos, máquinas, experimentos, procesos, sistemas requeridos para ello
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
18 100
Realización de prácticas de computación yanálisis de datos
5 100
Desarrollo de proyectos guiados 5 20
Participación en casos prácticos enempresas o centros de investigación
5 30
Tutorías (presenciales o por medio derecursos telemáticos)
5 30
Elaboración de informes de laboratorio ytrabajos
15 0
Estudio individual de contenidos de laasignatura
15 0
Trabajo en grupo 5 0
Pruebas de evaluación 2 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
NIVEL 2: M08 Nuevos Desarrollos en ciencia de Datos/ New Developments in Data Science
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Obligatoria
ECTS NIVEL 2 3
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
36 / 59
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
NIVEL 3: M08.01 Nuevos desarrollos en ciencia de datos/ New development in data science
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Obligatoria 3 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
5.5.1.2 RESULTADOS DE APRENDIZAJE
-Conocer que iniciativas en Open Science se desarrollan a nivel mundial, las técnicas de Data Science que son relevantes y los actores implicados(empresas, instituciones, gobiernos, etc.)
-Evaluar el interés e impacto de las nuevas iniciativas en otros proyectos en marcha
-Identificar la posibilidad de crear nuevas soluciones en base a los avances en estas iniciativas.
5.5.1.3 CONTENIDOS
1. Avance en la implementación de las iniciativas europeas en Open Science2. Nuevas técnicas en Data Science y su impacto.3. Desafíos en marcha a nivel mundial.4. Perspectivas y nichos profesionales.
5.5.1.4 OBSERVACIONES
Objetivos:
Esta asignatura tiene como objetivo proporcionar al estudiante una visión de los nuevos desarrollos, tendencias e iniciativas en Data Science en rela-ción a su aplicación en Open Science.
Metodología:
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
37 / 59
La asignatura se desarrollará mediante seminarios y conferencias por expertos de nivel internacional, que expondrán las nuevas iniciativas. Se articu-lará un mecanismo que permita a los alumnos interesarse por diferentes aspectos de las mismas, y explorar su participación en el futuro en el contextoque sea posible.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG5 - Planificar, diseñar y poner en marcha un proyecto avanzado
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de datos y entender su importancia para una sociedadbasada en los valores de la libertad, la justicia, la igualdad y el pluralismo
CT4 - Afrontar tareas y situaciones críticas
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSENG01 - Aplicar los principios de ingeniería a la investigación, diseño y desarrollo de un prototipo de aplicaciones de análisisde datos, o al desarrollo de estructuras, instrumentos, máquinas, experimentos, procesos, sistemas requeridos para ello
DSENG02 - Desarrollar y aplicar soluciones computacionales para problemas en un cierto dominio de aplicación, usando unaamplia gama de plataformas de análisis de datos
DSRM01 - Crear nuevas visiones y capacidades mediante el uso del método científico (hipótesis, prueba y evaluación).
DSRM03 - Llevar a cabo un trabajo creativo, haciendo uso sistemático de la investigación o la experimentación, para descubrir orevisar nuestro conocimiento de la realidad, y utilizar este conocimiento en nuevas aplicaciones
DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y desarrollar ideas innovadoras
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
18 100
Realización de prácticas de computación yanálisis de datos
5 100
Participación en casos prácticos enempresas o centros de investigación
5 30
Tutorías (presenciales o por medio derecursos telemáticos)
5 30
Elaboración de informes de laboratorio ytrabajos
15 0
Estudio individual de contenidos de laasignatura
15 0
Trabajo en grupo 5 0
Pruebas de evaluación 2 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
38 / 59
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
5.5 NIVEL 1: M04 Orientación Profesional
5.5.1 Datos Básicos del Nivel 1
NIVEL 2: M09 Prácticas Externas/ Internships
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Optativa
ECTS NIVEL 2 6
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
No existen datos
NIVEL 3: M09.01 Prácticas externas/ Internships
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 6 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
39 / 59
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
No existen datos
5.5.1.2 RESULTADOS DE APRENDIZAJE
-El estudiante conoce el entorno profesional de trabajo en el que se pueden aplicar las técnicas de Data Science
-El estudiante propone, bajo la guía de un supervisor, posibles puntos de mejora en cuanto a exploración de la información disponible para identificarconocimiento, o más en general mejorar el desarrollo de la organización
5.5.1.3 CONTENIDOS
Practicas externas en una empresa, grupo de investigación o servicio de la Administración pública, en actividades relacionadas con la aplicación de lastécnicas de Data Science
5.5.1.4 OBSERVACIONES
Objetivos:
Esta asignatura tiene como objetivo proporcionar al estudiante un contacto y experiencia directa con el contexto profesional, y en lo posible exploraruna futura opción profesional.
Metodología:
La asignatura se desarrollará en la empresa, grupo de investigación o servicio de la administración pública, en modalidad de tiempo parcial.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSRM03 - Llevar a cabo un trabajo creativo, haciendo uso sistemático de la investigación o la experimentación, para descubrir orevisar nuestro conocimiento de la realidad, y utilizar este conocimiento en nuevas aplicaciones
DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y desarrollar ideas innovadoras
DSBPM01 - Comprender un área de investigación o negocio y ser capaz de traducir los problemas no estructurados a un marcomatemático abstracto
DSBPM04 - Proporcionar servicios de apoyo científico, técnico y analítico a otras secciones en la organización
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Prácticas externas 135 100
Elaboración de informes de laboratorio ytrabajos
15 0
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
40 / 59
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Informe final del tutor externo de laactividad
100.0 100.0
NIVEL 2: M10 Laboratorios de Datos/ Datalabs
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Optativa
ECTS NIVEL 2 6
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
No existen datos
NIVEL 3: M10.01 Biomedicina/ Biomedicine
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 3 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
41 / 59
LISTADO DE ESPECIALIDADES
No existen datos
NIVEL 3: M10.02 Medioambiente y meteorología/ Enviroment and meteorology
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 3 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
No existen datos
NIVEL 3: M10.03 Física y Astronomía/ Physics and Astronomy
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 3 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
42 / 59
No existen datos
NIVEL 3: M10.04 Economía y Finanzas/ Economy and Finance
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 3 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
No existen datos
NIVEL 3: M10.05 Internet de las cosas/ Internet of things
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 3 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
No existen datos
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
43 / 59
NIVEL 3: M10.06 Ciencias sociales/ Social sciences
5.5.1.1.1 Datos Básicos del Nivel 3
CARÁCTER ECTS ASIGNATURA DESPLIEGUE TEMPORAL
Optativa 3 Cuatrimestral
DESPLIEGUE TEMPORAL
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
3
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
No existen datos
5.5.1.2 RESULTADOS DE APRENDIZAJE
Conocer los portales, bases de datos, repositorios, y el software y herramientas más relevantes para abordar un caso de uso en un área de conoci-miento.
-Saber modelar problemas en cada área de conocimiento a un marco abstracto de Data Science e identificar qué puntos críticos pueden impactar ellograr los objetivos.
5.5.1.3 CONTENIDOS
Casos prácticos de aplicación de Data Science en distintos campos, asignados al alumno de entre:
· Datos en abierto en Biomedicina.
· Datos genéticos: de la secuenciación al análisis, pipelines.
· Imagen Médica.
· Open Science en Física y Astronomía.
· Datos y modelos meteorológicos.
· Observación de la Tierra: el programa COPERNICUS.
· Medio Ambiente: el portal GEOSS.
· Biodiversidad. Los estándares RDF, DarwinCore. El portal GBIF. Acceso a especies y formatos.
· Economía y finanzas.
· Datos de las Redes Sociales. Geoposicionamiento. Herramientas para el análisis de datos de twitter.
· Internet of Things.
· Ciencia ciudadana en Open Science. Ciencia Ciudadana en la adquisición y el análisis de datos.
5.5.1.4 OBSERVACIONES
Objetivos:
Esta materia tiene como objetivo que el estudiante pueda conocer de la mano de expertos en las distintas áreas de conocimiento (física, medicina, ge-nética, medioambiente, biodiversidad, economía, redes sociales, etc.) las técnicas y conjuntos de datos más relevantes en el entorno Open Science.
Metodología:
En cada asignatura se comenzará por una exposición de algunos conceptos básicos del área de conocimiento correspondiente, incluyendo ejemplossencillos pero relevantes, que serán analizados individualmente y discutidos en común.
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
44 / 59
Se revisarán los estándares y aplicaciones más relevantes, y los actores que participan en el desarrollo de la misma.
Los estudiantes, organizados en grupos, realizarán un análisis detallado de un caso de estudio empleando las diferentes tecnologías discutidas.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos deinvestigación
CG3 - Redactar documentos científicos y técnicos, en particular artículos científicos
CG4 - Saber preparar y conducir presentaciones, ante públicos especializado, sobre una investigación o proyecto científico
CG5 - Planificar, diseñar y poner en marcha un proyecto avanzado
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación deideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir deuna información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a laaplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de datos y entender su importancia para una sociedadbasada en los valores de la libertad, la justicia, la igualdad y el pluralismo
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de datos y descubrir nuevas relaciones
DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles para lograr una visión adecuada de los mismos
DSDA04 - Investigar y analizar conjuntos de datos complejos, combinando diferentes fuentes y tipos de datos para mejorar elanálisis global
DSDA05 - Utilizar diferentes plataformas de análisis de datos para procesar datos complejos
DSDA06 - Capacidad de representación de datos variables y complejos para su visualización
DSDM01 - Desarrollar e implementar una estrategia de gestión de datos, en particular, en la forma de un plan de gestión de datos(DMP)
DSDM02 - Desarrollar e implementar modelos de datos, incluidos los metadatos
DSDM03 - Recoger e integrar diferentes fuentes de datos y su ingestión para su posterior análisis.
DSDM05 - Asegurar la calidad de los datos, su accesibilidad, y su forma de publicación (curación)
DSDM06 - Administrar los DPI (Derechos de Propiedad Intelectual) y cuestiones éticas en la gestión de datos
DSRM03 - Llevar a cabo un trabajo creativo, haciendo uso sistemático de la investigación o la experimentación, para descubrir orevisar nuestro conocimiento de la realidad, y utilizar este conocimiento en nuevas aplicaciones
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
45 / 59
DSBPM01 - Comprender un área de investigación o negocio y ser capaz de traducir los problemas no estructurados a un marcomatemático abstracto
DSBPM02 - Utilizar los datos disponibles para mejorar los servicios existentes o desarrollar nuevos servicios
DSBPM03 - Participar de manera estratégica y tácticamente, aportando la visión de Data Science, en las decisiones que tienen unimpacto en administración y organización
DSBPM04 - Proporcionar servicios de apoyo científico, técnico y analítico a otras secciones en la organización
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Participación y asistencia a leccionesmagistrales y seminarios
24 100
Realización de prácticas de computación yanálisis de datos
75 100
Desarrollo de proyectos guiados 150 20
Participación en casos prácticos enempresas o centros de investigación
60 30
Tutorías (presenciales o por medio derecursos telemáticos)
15 30
Elaboración de informes de laboratorio ytrabajos
60 0
Estudio individual de contenidos de laasignatura
30 0
Trabajo en grupo 30 0
Pruebas de evaluación 2 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Examen (escrito, oral y/o práctico en elaula de computación)
0.0 40.0
Valoración de informes y trabajos escritos 0.0 60.0
Valoración de exposiciones orales detrabajos
0.0 60.0
Seguimiento de actividades presenciales 0.0 40.0
5.5 NIVEL 1: M05 Trabajo de Fin de Máster
5.5.1 Datos Básicos del Nivel 1
NIVEL 2: M11 Trabajo de Fin de Máster/ Master Thesis
5.5.1.1 Datos Básicos del Nivel 2
CARÁCTER Trabajo Fin de Grado / Máster
ECTS NIVEL 2 6
DESPLIEGUE TEMPORAL: Cuatrimestral
ECTS Cuatrimestral 1 ECTS Cuatrimestral 2 ECTS Cuatrimestral 3
6
ECTS Cuatrimestral 4 ECTS Cuatrimestral 5 ECTS Cuatrimestral 6
ECTS Cuatrimestral 7 ECTS Cuatrimestral 8 ECTS Cuatrimestral 9
ECTS Cuatrimestral 10 ECTS Cuatrimestral 11 ECTS Cuatrimestral 12
LENGUAS EN LAS QUE SE IMPARTE
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
46 / 59
CASTELLANO CATALÁN EUSKERA
Sí No No
GALLEGO VALENCIANO INGLÉS
No No Sí
FRANCÉS ALEMÁN PORTUGUÉS
No No No
ITALIANO OTRAS
No No
LISTADO DE ESPECIALIDADES
No existen datos
NO CONSTAN ELEMENTOS DE NIVEL 3
5.5.1.2 RESULTADOS DE APRENDIZAJE
5.5.1.3 CONTENIDOS
El estudiante realizará un trabajo avanzado de manera autónoma bajo la supervisión de un profesor del Máster. La temática y orientación de este tra-bajo dependerá de la especialidad escogida, pero en todos los casos deberá estar relacionada con los contenidos del Máster e implicar un trabajo delestudiante que le permita adquirir las competencias correspondientes.
5.5.1.4 OBSERVACIONES
El TFM debe implicar un trabajo autónomo (CB10) que enseñe al estudiante a aplicar los conocimientos adquiridos (CB7), a realizar valoraciones so-bre conocimientos y resultados (CB8), y a transmitir sus resultados (CB9). Además, dado que el trabajo se realizará bajo la supervisión de un tutor, in-tegrándose en una empresa o grupo de investigación, se contribuirá también a adquirir la competencia de trabajo en grupo (CG1) y potencialmente lade iniciar una tesis (CG2). Durante el desarrollo del TFM, el estudiante desarrolla las CG3 a CG8.
5.5.1.5 COMPETENCIAS
5.5.1.5.1 BÁSICAS Y GENERALES
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar suactividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos deinvestigación
CG3 - Redactar documentos científicos y técnicos, en particular artículos científicos
CG4 - Saber preparar y conducir presentaciones, ante públicos especializado, sobre una investigación o proyecto científico
CG5 - Planificar, diseñar y poner en marcha un proyecto avanzado
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornosnuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir deuna información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a laaplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicosespecializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá deser en gran medida autodirigido o autónomo.
5.5.1.5.2 TRANSVERSALES
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar
5.5.1.5.3 ESPECÍFICAS
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
47 / 59
DSRM03 - Llevar a cabo un trabajo creativo, haciendo uso sistemático de la investigación o la experimentación, para descubrir orevisar nuestro conocimiento de la realidad, y utilizar este conocimiento en nuevas aplicaciones
DSRM04 - Capacidad para convertir las estrategias en planes de acción y llevar estos hasta su conclusión
DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y desarrollar ideas innovadoras
DSBPM01 - Comprender un área de investigación o negocio y ser capaz de traducir los problemas no estructurados a un marcomatemático abstracto
DSBPM02 - Utilizar los datos disponibles para mejorar los servicios existentes o desarrollar nuevos servicios
DSBPM03 - Participar de manera estratégica y tácticamente, aportando la visión de Data Science, en las decisiones que tienen unimpacto en administración y organización
DSBPM04 - Proporcionar servicios de apoyo científico, técnico y analítico a otras secciones en la organización
5.5.1.6 ACTIVIDADES FORMATIVAS
ACTIVIDAD FORMATIVA HORAS PRESENCIALIDAD
Desarrollo de proyectos guiados 120 20
Estudio individual de contenidos de laasignatura
14 0
Trabajo en grupo 14 0
Pruebas de evaluación 2 100
5.5.1.7 METODOLOGÍAS DOCENTES
No existen datos
5.5.1.8 SISTEMAS DE EVALUACIÓN
SISTEMA DE EVALUACIÓN PONDERACIÓN MÍNIMA PONDERACIÓN MÁXIMA
Defensa del Trabajo de Fin de Máster 30.0 70.0
Informe final del tutor externo de laactividad
30.0 70.0
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
48 / 59
6. PERSONAL ACADÉMICO6.1 PROFESORADO Y OTROS RECURSOS HUMANOS
Universidad Categoría Total % Doctores % Horas %
Universidad Internacional Menéndez Pelayo ProfesorVisitante
100 80 80
PERSONAL ACADÉMICO
Ver Apartado 6: Anexo 1.
6.2 OTROS RECURSOS HUMANOS
Ver Apartado 6: Anexo 2.
7. RECURSOS MATERIALES Y SERVICIOSJustificación de que los medios materiales disponibles son adecuados: Ver Apartado 7: Anexo 1.
8. RESULTADOS PREVISTOS8.1 ESTIMACIÓN DE VALORES CUANTITATIVOS
TASA DE GRADUACIÓN % TASA DE ABANDONO % TASA DE EFICIENCIA %
90 10 95
CODIGO TASA VALOR %
No existen datos
Justificación de los Indicadores Propuestos:
Ver Apartado 8: Anexo 1.
8.2 PROCEDIMIENTO GENERAL PARA VALORAR EL PROCESO Y LOS RESULTADOS
El procedimiento será el mismo para la UC y la UIMP y vendrá marcado en el convenio y supervisado por la Comisión de seguimiento y éste será elque usualmente sigue la UC.
Esta universidad valora el progreso y los resultados de aprendizaje de los estudiantes a través de distintos procesos y mecanismos que comprendentanto la planificación de las enseñanzas como su seguimiento. De esta manera se asegura que las titulaciones se impartan de acuerdo a lo indicadoen la memoria de verificación y se garantiza que los estudiantes alcancen los objetivos y las competencias previstos.
1. Cada curso académico, y con antelación suficiente al inicio del periodo lectivo, el Consejo de Gobierno aprueba la planificación de las enseñanzas yel calendario académico. Establecida la oferta formativa de la UC, cada Centro procede a planificar e implementar las enseñanzas que se imparten enél.
2. Los Consejos de Departamento revisan y aprueban las Guías Docentes de las asignaturas que tienen adscritas, en las que se especifican los obje-tivos docentes, competencias, contenidos, metodología docente y sistemas de evaluación del progreso de los alumnos, fijando el tipo de pruebas, sunúmero y la forma de evaluación/calificación del estudiante. A partir de esta información, la Junta del Centro aprueba definitivamente las Guías Docen-tes.
3. Además de estos procedimientos de planificación de las enseñanzas, la Comisión de Calidad elabora anualmente el Informe Final del SGIC del Tí-tulo en el que realiza el seguimiento de los resultados de aprendizaje de los estudiantes. En este informe se identifican los puntos fuertes y débiles delproceso de enseñanza-aprendizaje de la titulación y se formulan acciones correctoras en un proceso de mejora continua, que son implementadas unavez aprobadas por la Junta de Centro.
4. El Vicerrectorado de Ordenación Académica y Profesorado establece los indicadores complementarios que permiten medir y contextualizar las ta-sas de graduación, eficiencia y abandono para posteriormente analizar los resultados previstos en el Título. Los datos correspondientes a estos indica-dores académicos son aportados y difundidos por el Servicio de Gestión Académica una vez cerrado el curso académico para garantizar su uniformi-dad de cálculo y su validez. Posteriormente son enviados al Área de Calidad de la Universidad de Cantabria para completarlos con los datos de las en-cuestas de satisfacción con el Título de todos los grupos de interés, antes de enviarse a cada Centro.
5. La Comisión de Calidad de la UC establece a través del procedimiento P9 Distribución de la información del SGIC un modelo común de Informe Fi-nal del SGIC de cada titulación, garantizando el análisis y la valoración de los resultados de aprendizaje cada curso académico. Este análisis lo lleva acabo la Comisión de Calidad del Título y en él se evalúan los resultados académicos y se comparan con los valores declarados en la memoria de veri-ficación, estableciendo propuestas de mejora. Estas propuestas se concretan señalando el responsable de su ejecución, mecanismos para llevarlas acabo e indicadores para su seguimiento.
6. Esta Comisión analiza también la calidad de las prácticas externas, como se establece en el procedimiento P4 Prácticas Externas y Movilidad, eva-luando las competencias alcanzadas por los estudiantes y la aplicación de los conocimientos y habilidades adquiridos durante su formación académi-ca.
7. El procedimiento P5 Inserción laboral, resultados de aprendizaje y satisfacción con la formación recibida establece las acciones que se llevarán acabo para medir y analizar los resultados de aprendizaje de los egresados y su incidencia en la revisión y mejora del Título.
8. Finalmente el Trabajo Fin de Máster permite valorar, tal y como establece el RD 1393/2007 de 30 de octubre y posterior modificación en el RD861/2010 de 2 de julio, que se han alcanzado los resultados de aprendizaje establecidos en la memoria del Título.
Los procedimientos anteriormente mencionados forman parte del Manual General del Procedimiento del SGIC de la UC.
https://sharepoint.unican.es/sgic/Procedimientos/Indice.html
csv:
258
6730
5529
5757
5419
4163
9
Identificador : 4316323
49 / 59
9. SISTEMA DE GARANTÍA DE CALIDADENLACE http://www.uimp.es/actividades-academicas/postgrado-e-investigacion/estudios/
masteres-universitarios/sistema-de-garantia-interno-de-calidad-sgic-de-los-masteres-universitarios.html
10. CALENDARIO DE IMPLANTACIÓN10.1 CRONOGRAMA DE IMPLANTACIÓN
CURSO DE INICIO 2017
Ver Apartado 10: Anexo 1.
10.2 PROCEDIMIENTO DE ADAPTACIÓN
No aplica.
10.3 ENSEÑANZAS QUE SE EXTINGUEN
CÓDIGO ESTUDIO - CENTRO
csv:
258
6730
5529
5757
5419
4163
9
Página 1 de 12
2. JUSTIFICACIÓN
2.1. Data Science, Big Data y Open Science
La Ciencia de Datos, o Data Science como se conoce profesionalmente, es un campo
emergente en ciencia y tecnología que requiere de una aproximación multidisciplinar,
combinando conocimientos normalmente dispersos entre diferentes áreas temáticas
(Matemáticas, Física, Informática). Además, esta aproximación debe tener en cuenta la
relevancia de los problemas conocidos como “Big Data”, que han tenido un gran
impacto en múltiples dominios tanto en la investigación cómo en la industria, y que
requieren un replanteamiento y rediseño de los cursos usuales y los modelos de
educación correspondientes.
Este no es un planteamiento nuevo y en la actualidad ya existen, en España y en todo
el mundo, diferentes cursos a distintos niveles que abordan específicamente esta
temática de Data Science, cómo se describe brevemente más adelante.
Sin embargo, en estos últimos años aparecen nuevos componentes que motivan el
interés de proponer un Master en Data Science con un enfoque específico a estos
problemas de Big Data:
El creciente interés e impacto en múltiples áreas de los datos en abierto, conocidos
cómo Open Data, que permiten abordar nuevos retos a la vez requieren de un
esfuerzo considerable en la gestión integral de datos para su integración y re-
utilización. La rápida evolución del campo con aparición de nuevos estándares y
sobre todo la necesidad de aplicación de buenas prácticas en la cada vez más
compleja cadena de vida del ciclo de datos requiere de una formación específica y
avanzada. El foro internacional conocido como RDA (Research Data Allianz) es un
buen ejemplo de los esfuerzos en este sentido. Sus recomendaciones, desarrollos y
acuerdos son un valioso material de formación para un profesional.
La reciente iniciativa del European Open Science Cloud, lanzada en la primavera de
2016 desde la DG Research
(http://ec.europa.eu/research/openscience/index.cfm?pg=open-science-cloud),
trata de conectar resultados del mundo de la investigación y las estrategias del
Página 2 de 12
mercado único digital (“Digital Single Market”), una idea apoyada tanto por las
instituciones europeas cómo por todos los países, y que se resume en estos dos
comunicados:
“El mundo está siendo testigo de un incremento dramático en la cantidad y
variedad de datos que se producen. Junto a los datos creados por millones de
personas mediante dispositivos digitales y servicios personales y
profesionales, y los creados por dispositivos conectados on-line, están los
datos generados por la investigación, y la información de los artículos en
formato digital, así como los archivos de servicios públicos, cómo los
generados en hospitales o en planificación del territorio. Este fenómeno de
Big Data crea nuevas posibilidades de compartir conocimiento, impulsar la
investigación y desarrollar e implementar nuevas directivas públicas.”
(comunicado 178 de la Comisión Europea,2016).
“El crecimiento exponencial de los datos, la disponibilidad de las tecnologías
digitales cada vez más potentes, la globalización de la comunidad científica,
así como la creciente demanda por parte de la sociedad para hacer frente a
los retos de nuestro tiempo, son las bases de una transformación en curso
que incluye la apertura de la ciencia y la investigación, conocida como "Open
Science", y que afecta a la forma de actuar de hacer la investigación y la
organización de la ciencia.” (Conclusiones del Consejo de Europa, 9526/16).
Es este contexto de Open Science (Ciencia Abierta) el que justifica la oportunidad de
una propuesta específica de estas características, y también motiva el empleo de un
título con términos en inglés, pero que permiten identificar de forma más precisa el
ámbito de este máster.
2.2. Relevancia académica, científica y profesional.
Es interesante, pero a la vez muy limitado, el análisis (en la “Web of Science”) de los
artículos que indican estar dentro de la temática de “Data Science & Big Data” en los
últimos 5 años: medicina, inteligencia de negocio, finanzas, sicología, computación,
astrofísica, geología, ecología, alimentación, urbanismo, farmacología … y es muy
limitado, ya que muchos de los artículos no incluyen específicamente estos términos
Página 3 de 12
aunque utilicen estas técnicas de Data Science sobre Big Data (desde muchos análisis
médicos y genéticos al descubrimiento del bosón de Higgs).
Quizás más relevante para el futuro estudiante del máster es la elevada demanda
profesional como Data Scientist: encontramos más de 300 ofertas de empleo con este
perfil en LinkedIn en España. Y en realidad esta demanda se concentra principalmente
en perfiles fuertemente técnicos, quizás debido a la dificultad de encontrar
profesionales que complementen con este perfil el de consultor en su especialidad.
Como indicaba el Harvard Business Review ya en 2012, quizás sea este el trabajo con
más atractivo en el siglo XXI (https://hbr.org/2012/10/data-scientist-the-sexiest-job-
of-the-21st-century).
Por último, hay que destacar la relevancia de la investigación específica que se
desarrolla en los temas que se abordan en este máster y la posibilidad de continuar
estudios de doctorado en nuevas técnicas de exploración de datos, de infraestructuras
y de middleware en computación, gestión de datos, etc. pero también en muchas de
las áreas de aplicación (genética, medio ambiente, medicina, etc.).
2.3. Puntos fuertes del Máster
Este Máster aúna las capacidades y fortalezas de la Universidad Internacional
Menéndez Pelayo (UIMP) y la Universidad de Cantabria (UC), formalizadas mediante
un convenio específico para desarrollar éste y otros másteres oficiales. De igual forma,
este título se apoya en el convenio establecido entre la UIMP y el Consejo Superior de
Investigaciones Científicas (CSIC) para la enseñanza de postgrado. La alianza entre
estas dos Universidades y el CSIC para el desarrollo de este máster, junto con la
coordinación desde el Instituto de Física de Cantabria (IFCA, Centro Mixto CSIC-UC) y la
Facultad de Ciencias de la UC, permiten contar con un profesorado de alto grado de
especialización con una clara visión “Open Science” y que aporta su experiencia de
enfoque científico, desde el conocimiento del ciclo de vida de los datos y su
importancia, a las técnicas prácticas de adquisición de datos, curación, procesado,
simulación, validación, y preservación, aplicadas en grandes proyectos científicos pero
también en iniciativas locales. Además, los alumnos podrán acceder a recursos de
computación de la escala requerida para abordar problemas reales, incluyendo
Página 4 de 12
supercomputadores, grandes sistemas de almacenamiento y sistemas Cloud, así como
a entornos actuales de desarrollo y aplicación de soluciones.
En efecto, este máster se apoya en la amplia experiencia investigadora y de formación
de postgrado de los grupos involucrados en esta propuesta. Las materias serán
impartidas, en su mayoría, por investigadores del CSIC (cuya participación viene
particularmente impulsada a través de la UIMP) y por profesores de la UC, así como
por investigadores nacionales e internacionales de reconocido prestigio, cuya
participación supone un valor añadido a la experiencia docente e investigadora de los
anteriormente citados. Con todo ello, cabe destacar que los alumnos van a tener a su
alcance un profesorado con una enorme experiencia investigadora, desarrollada
netamente en el contexto internacional.
De hecho, los grupos de investigación a los que pertenecen los docentes desarrollan
proyectos de investigación financiados por la Unión Europea en líneas afines a las
especialidades propuestas, estando integrados en algunos de los proyectos de ámbito
internacional más relevantes del momento, desarrollando infraestructura local y
contribuyendo a la creación y operación de grandes infraestructuras científicas que
sólo son posibles a través de estas colaboraciones.
La participación, desde el diseño del título, de empresas, y el compromiso de
diferentes grupos de investigación, permitirá que todos los alumnos tengan una
experiencia práctica real bien sea realizando un periodo de prácticas externas
(remuneradas en una elevada proporción) o analizando casos reales en un grupo de
investigación. Todo ello complementado con la preparación del trabajo de fin de
máster, de modo que cuenten con hasta 3 meses de experiencia profesional al concluir
el máster. Este es el punto que mayor apoyo ha recibido por parte de los estudiantes
consultados a la hora de definir qué aspectos del máster consideran más relevantes
para elegirlo dentro de la oferta existente.
Este máster ofrece un módulo de complementos formativos que permite incorporar a
estudiantes cuyas titulaciones de grado presenten carencias formativas, bien sea por
provenir de títulos extranjeros más cortos o por ser de perfiles aceptados en la
admisión, pero distintos de los considerados como más adecuados. La Comisión de
Académica del Máster estudiará cada caso particular y, previa información y consulta
Página 5 de 12
con las Comisiones de Posgrado de la UC y de la UIMP, propondrá cursar los
complementos formativos que se consideren necesarios, en caso de detectarse alguna
carencia formativa previa. De esta forma se espera poder incorporar alumnos
nacionales y extranjeros de perfiles variados, tal y como se demandan en este campo,
y proporcionarles una nivelación que les permita seguir con garantías los cursos y así
obtener las competencias del título.
Finalmente, se quiere destacar que se han establecido contactos con numerosas
empresas del área. En el momento de escribir esta propuesta se ha obtenido el apoyo
formal de las siguientes empresas: ITEISA Desarrollo y Sistemas; Atos worldgrid, CIC
Consulting Informático de Cantabria, Bilbomática, Gaia net exchange, Viacore, GMV
Innovating Technologies, Isotrol, Viviansi, AXPE consulting, New digital Businness
BBVA. Son empresas de distinto tamaño, de implantación en Cantabria, País Vasco,
Madrid y Andalucía, en muchos casos delegaciones de multinacionales. Se incluye
varios niveles de colaboración: en la definición de esta memoria, en la impartición de
la docencia transmitiendo casos reales de aplicación de estas técnicas, proporcionando
datos reales para los “datalabs” y acogiendo alumnos para prácticas (las cartas de
colaboración se incluyen como anexos en el apartado 7 de la memoria).
2.4. Referentes externos
Para definir los contenidos de este máster se ha partido del modelo desarrollado en el
proyecto EDISON, “Data Science Model Curriculum”, con cuyo investigador principal,
Yuri Demchenko, de la Universidad de Amsterdam, se mantuvo contacto a raíz de la
presentación de dicha propuesta (hoy proyecto). Se ha analizado recientemente
(septiembre de 2016) el interés mutuo en que este máster sea un ejemplo de
aplicación de algunas de las recomendaciones de ese proyecto.
El proyecto EDISON, “Building the Data Science Profession” (http://edison-project.eu),
ha preparado un primer informe D2.1 “Data Scientist Competences and Skills
Framework (CF-DS) and BoK definition”, February 2016, y un entregable D2.2 “Existing
educational and training resources inventory and analysis”, Mayo 2016.
Página 6 de 12
Las versiones más recientes de estos análisis, consultadas en septiembre de 2016, han
sido:
Data Science Competence Framework
http://edison-project.eu/data-science-competence-framework-cf-ds
Data Science Body of Knowledge
http://edison-project.eu/data-science-body-knowledge-ds-bok
Data Science Model Curriculum
http://edison-project.eu/data-science-model-curriculum-mc-ds
Data Science Professional Profiles
http://edison-project.eu/data-science-professional-profiles
Debe señalarse que el proyecto EDISON ha tenido en cuenta las recomendaciones
internacionales más relevantes en el ámbito académico y profesional tales como:
ACM Computer Science Curriculum and Body of Knowledge (ACM CS2013 and CS-
BoK, http://www.acm.org/education/CS2013-final-report.pdf)
Information Technology Competency Model of Learning Outcome ACM
CCECC2014(http://www.capspace.org/uploads/ACMITCompetencyModel14Octobe
r2014.pdf)
ICT professional Body of Knowledge and ICT leadership curriculum (ICT-BoK,
http://www.ictbok.eu/images/EU_Foundationa_ICTBOK_final.pdf)
Igualmente considera otros BoK (Body of Knowledge) tales como
Data Management Body of Knowledge (DM-BoK) by Data Management Association
International
(DAMAI http://www.dama.org/sites/default/files/download/DAMA-DMBOK2-
Framework-V2-20140317-FINAL.pdf)
Así como:
Software Engineering Body of Knowledge
(SWEBOK, https://www.computer.org/web/swebok/v3)
Business Analytics Body of Knowledge
(BABOK, http://www.iiba.org/babok-guide.aspx)
Página 7 de 12
Y el bien conocido Project Management Professional Body of knowledge
(PM-BoK, http://www.pmi.org/PMBOK-Guide-andStandards/pmbok-guide.aspx)
Debe tenerse en cuenta igualmente que el análisis del proyecto EDISON es integral, e
incluye diferentes perfiles y niveles.
Este análisis incluye las siguientes áreas de conocimiento
KAG1-DSA: Data Science Analytics, análisis de datos, incluyendo métodos
estadísticos, Machine Learning y Business Analytics.
KAG2-DSE: Data Science Engineering, incluyendo software e ingeniería de
infraestructuras.
KAG3-DSDM: Data Science Data Management, gestión de datos, incluyendo
curación de datos, preservación e infraestructuras de datos.
KAG4-DSRM: Data Science Research Methods, métodos científicos de
investigación.
KAG5-DSBP: Data Science Business Processes, gestión de procesos de negocio.
KAG6-DSDK: Conocimiento del dominio o área en cuanto a la aplicación de Data
Science, incluyendo el conocimiento específico en un área.
Este último punto, directamente relacionado con un área específica de conocimiento,
bien en ciencia o en negocios, se identifica cómo esencial para el trabajo como Data
Scientist.
Durante la preparación de esta propuesta se ha revisado y consultado la oferta de
diversas universidades americanas y europeas y nos gustaría destacar aquí como
referentes a:
Master of Information and Data Science, UC Berkeley
https://datascience.berkeley.edu y en particular el curriculum ofertado,
https://datascience.berkeley.edu/academics/curriculum .
Master of Science in Analytics de la Universidad de NorthWestern
http://www.mccormick.northwestern.edu/analytics/index.html .
Master in Data Science, Universidad de Edimburgo
http://www.ed.ac.uk/studying/postgraduate/degrees/index.php?r=site/view&id=9
06 .
Página 8 de 12
Master in Data Science, Universidad de Amsterdam http://gss.uva.nl/future-msc-
students/content11/data-science.html .
A nivel nacional, existen diversos títulos de Máster relacionados con “Data Science” o
con “Big Data Analytics”, aunque no todos cuentan con el carácter de título oficial.
Entre los referentes a nivel nacional de Máster Universitario utilizados para contrastar
esta propuesta cabe destacar las siguientes:
Máster Interuniversitario en Big Data: Tecnologías de Análisis de Datos Masivos
(Universidad de Santiago de Compostela y Universidad de Murcia)
https://citius.usc.es/masterbigdata
Master en Data Science de la URJC
http://www.masterdatascience.es
Master en Big Data Management and Analytics de la UPC:
http://www.talent.upc.edu/esp/professionals/presentacio/codi/331100/big-data-
management-analytics
Máster en Ciencia de Datos e Ingeniería de Computadores de la Universidad de
Granada
http://masteres.ugr.es/datcom
Y en cuanto a títulos de máster no oficiales a:
Máster propio universitario en Advanced Analytics on Big Data de la
Universidad de Málaga
http://bigdata.lcc.uma.es
Master en Big Data y Data Science: Ciencia e Ingeniería de Datos de la
Universidad Autónoma de Madrid
http://www.uam.es/ss/Satellite/es/1242654675830/1242692602422/estudiop
ropio/estudioPropio/Master_en_Big_Data_y_Data_Science:_Ciencia_e_Ingenie
ria_de_Datos.htm
Página 9 de 12
2.5. Descripción de los procedimientos de consulta internos y externos utilizados
para la elaboración del título propuesto
La idea del Máster se planteó inicialmente a finales del año 2015 entre una serie de
profesionales del CSIC y de la Universidad de Cantabria, que trabajan en proyectos en
esta temática, con la motivación fundamental de proporcionar formación no sólo a sus
grupos de investigación sino a otros grupos y sectores con los que se colabora en
dichos proyectos.
El interés creció a la vista de la tremenda demanda de profesionales en “Data Science”
existente en el mercado nacional e internacional. Por otra parte de la interacción diaria
con los alumnos de grado se apreció, por un lado, un interés potencial y, por otro, la
ausencia de una oferta cercana y que recogiera las técnicas y avances más recientes.
Tras diversas reuniones se comprobó la confluencia de intereses de la Universidad de
Cantabria, la Universidad Internacional Menéndez Pelayo y el CSIC y se constató la
complementariedad de las tres instituciones para llevar adelante conjuntamente un
proyecto formativo de estas características. Desde la dirección de las dos
Universidades, Vicerrectorado de Posgrado y especialización y Vicerrectorado de
Ordenación Académica y Profesorado, se nombraron a dos directores del programa
para elaborar la propuesta, Jesús Marco, profesor de investigación del CSIC, y
Francisco Matorras, catedrático de la UC. En una primera fase, se definió un primer
borrador de la estructura del título con la ayuda de José Manuel Gutiérrez (subdirector
del IFCA y especialista en la materia) y asesorados por un equipo de trabajo integrado
por profesores e investigadores de ambas instituciones. Este borrador se difundió
internamente entre otros profesores de ambas universidades e investigadores del
CSIC, recabando sus opiniones y solicitando que desarrollasen el programa formativo
de las materias en las que eran expertos. En esta fase se contó con profesores e
investigadores expertos de Estadística, Bases de Datos, Arquitectura de
Computadores, Sistemas Informáticos, Economía y Aprendizaje automático. De igual
forma se contactó con numerosas empresas o asociaciones de Empresas del ramo
exponiéndoles las líneas principales de la propuesta y solicitar su participación (IBM,
Fujitsu y ASCENTIC, que engloba a la mayoría de las empresas TIC de Cantabria, entre
otras). Se establecieron distintas conversaciones, de las que salieron aportaciones a
Página 10 de 12
este programa así como diversos compromisos de participación en él. También se
informó de esta propuesta a un conjunto de alumnos de la Facultad de Ciencias
próximos a obtener el título de graduado y así recabar su potencial interés por este
título.
Con todo ello se planteó una nueva versión de la estructura del Máster, a la que se dio
mayor difusión. En particular se realizaron reuniones con distintos especialistas, en la
UC, en otros institutos del CSIC y de otras Universidades, para desarrollar el diseño de
las distintas materias y asignaturas.
Destacar también la consulta externa internacional, mantenida con el equipo
responsable del proyecto EDISON, Education for Data Intensive Science to Open New
Science frontiers, para analizar diversos puntos de su propuesta de “Data Science
Model Curriculum” y tenerlos en cuenta en esta propuesta de Máster.
A continuación se elaboró un borrador de esta memoria que fue tramitado en ambas
universidades acogiendo distintas sugerencias y modificaciones siendo aprobado de
acuerdo con sus respectivos procedimientos.
En el caso de la UIMP, la propuesta ha sido sometida a consulta por la Comisión de
Estudios de Postgrado y Doctorado de la UIMP, presidida por la Vicerrectora de
Postgrado e Investigación y compuesta por vocales especialistas en diversas áreas del
conocimiento, externos a la UIMP. Esta evaluó esta propuesta de máster oficial y
emitió su correspondiente informe preceptivo al Consejo de Gobierno de la UIMP,
antes de su aprobación, basándose en los criterios de calidad que tiene establecidos
para la incorporación de nuevos estudios a la oferta formativa de la universidad.
Este informe preceptivo incluyó una análisis de la viabilidad, pertinencia, coherencia y
oportunidad estratégica de la propuesta y su conformidad con la normativa vigente,
una valoración de la calidad académica del programa que considera la adecuación del
historial docente e investigador o profesional del grupo que imparte la docencia; los
antecedentes del plan de estudios y la interdisciplinariedad con que se plantea; el
sistema de coordinación y tutorías y sus procedimientos de seguimiento y mejora de la
calidad. El informe preceptivo de dicha Comisión incluye además los informes de
evaluación sobre el proyecto elaborados por dos evaluadores externos e
Página 11 de 12
independientes expertos en este ámbito temático.
La Comisión de Postgrado y Doctorado concluyó que el título era estratégicamente
importante para la UIMP e interesante para los futuros estudiantes pues ofrece una
visión práctica y teórica de la materia.
Por el lado de la UC, esta propuesta fue presentada inicialmente en la Junta de la
Facultad de Ciencias, tras un período de exposición pública de una semana. Tras el
debate e incorporación de modificaciones, fue aprobada. Posteriormente se presentó
a la Comisión de Ordenación Académica de la UC, que informó favorablemente de ella.
Finalmente fue aprobada por el Consejo de Gobierno de la UC.
2.6. Orientación
El máster tiene una orientación profesional hacia el mundo empresarial, aunque no da
lugar a una profesión regulada. Además de por el contenido de la formación, este
enfoque viene refrendado por la participación de profesionales de diversas empresas y
la posibilidad de realizar prácticas externas.
Sin embargo, la formación ofrecida permite también una orientación académico-
investigadora, que permita el paso a la realización de una tesis doctoral. Esta
orientación se ve refrendada por la realización de un TFM junto con la estancia en
distintos laboratorios, incorporando al alumno en alguno de los grupos de
investigación de los profesores participantes en el Máster.
Los estudios conducentes a este título permitirán la posterior incorporación en centros
o equipos de I+D+i tanto públicos como privados, incluyendo empresas, para el trabajo
en proyectos relacionados con las tecnologías de Data Science.
2.7. Objetivos
El objetivo de este Máster es proporcionar a los estudiantes la visión y técnicas
necesarias de Ciencia de Datos (Data Science) para abordar los retos asociados al uso
de datos complejos, variados, de gran volumen (Big Data) y herramientas asociadas,
desde un entorno de Ciencia Abierta (Open Science).
Para ello se espera transmitir a los alumnos, españoles y extranjeros, la experiencia
adquirida por los diferentes grupos de investigación que colaboran en este máster,
Página 12 de 12
cubriendo las diversas áreas en base a su experiencia en múltiples proyectos.
Se espera que los estudiantes sean capaces de incorporarse tras cursar este Máster
Universitario a un entorno profesional especializado, bien en actividades de
investigación o de explotación, y para ello se promoverán las prácticas y trabajos de fin
de máster ligados a empresas y/o grupos de investigación y el trabajo intensivo con
datos de interés real en diferentes áreas específicas mediante los denominados
Datalabs.
2.8. Justificación de las especialidades establecidas
El máster universitario ofertará tres especialidades:
Data Science Analytics
Data Science Engineering
Open Data Management
Estas tres líneas de especialización, concordantes con las recogidas en EDISON, vienen
justificadas por los diferentes perfiles profesionales tanto de formación base cómo de
egreso. Debido a lo rápido de la evolución de este campo y a la continua aparición de
nuevos perfiles, se permitirá una formación más transversal que no se ajuste al 100% a
ninguno de estos en las que el estudiante obtendrá el título sin obtener ninguna de
éstas. Es la especialidad que se denomina:
Data Science
Página 1 de 3
4.1 Sistemas de información previa a la matriculación y procedimientos accesibles de
acogida y orientación de los estudiantes de nuevo ingreso para facilitar su
incorporación a la universidad y la titulación
El título estará dirigido principalmente a titulados de Grado/Licenciatura de 240
créditos en Matemáticas, Física, e Ingeniería Informática, que serán admitidos sin
necesidad de complementos formativos. Alumnos procedentes de titulaciones de
Grado de 240 créditos en Ingeniería de Telecomunicaciones, Economía u otros títulos
equivalentes así como de cualquiera de las titulaciones mencionadas pero de 180
créditos, nacionales o extranjeros, podrán ser admitidos sin complementos formativos
si acreditan una formación de al menos 24 créditos de Matemáticas (que incluyan
Estadística) y al menos 12 de informática (que incluya programación) en su formación
universitaria. En caso contrario podrán ser admitidos bajo la condición de realización
de hasta 30 créditos de complementos formativos.
Sistemas de información y acogida.
Tanto la UIMP cómo la UC desarrollan diversas iniciativas para hacer llegar la
información sobre la institución y su oferta formativa a todos los agentes interesados,
dentro y fuera de la propia institución: estudiantes, profesorado, personal de
administración y servicio, futuros alumnos y en general a toda la sociedad.
Una vez matriculado, el alumno seguirá los procesos de acogida administrativa de la
Universidad en la que se ha matriculado, recibiendo toda la información que requiera
para poder cursar el Máster a través del correo electrónico.
Los Directores del Máster son las personas que, de forma permanente, asesorarán al
estudiante en todo aquello que necesiten para el correcto desarrollo de su formación.
Los Directores se reunirán de forma periódica con los estudiantes para analizar el
proceso de enseñanza y aprendizaje y considerar cualquier aspecto que estimen
oportuno.
Los estudiantes, antes del comienzo del máster, recibirán una Sesión Inaugural donde
los Directores del Máster realizarán una exposición de la organización académica,
normas de funcionamiento, datos de contacto del personal de apoyo y profesorado,
procedimiento para consultar dudas o solicitar asesoramiento en la formación, etc.
Página 2 de 3
Además, los estudiantes contarán con un procedimiento de tutoría permanente de los
profesores que imparten la docencia, previa petición por el alumno. En caso de ser
necesario, el profesor podrá elaborar un plan de estudio y trabajo para el estudiante
del cual deberá realizar el seguimiento.
También contarán con el apoyo y orientación de los coordinadores de materia que se
encargarán de realizar el seguimiento del estudiante, de forma individualizada, de su
rendimiento, motivación, implicación, etc. en la materia en global.
Por último, cada estudiante tendrá, a su vez, un tutor personal para el desarrollo del
TFM que será designado por la Comisión Académica.
La Comisión Académica también velará por apoyar y asesorar al estudiante, así como
de evaluar los procedimientos y resultados de las labores de orientación.
Unido a todo ello, el estudiante cuenta con el apoyo y asesoramiento de la Secretaría
de Alumnos de la UIMP. La UIMP ofrece en su Web (http:/www.uimp.es/actividades-
academicas/postgrado-e-investigacion.html) información completa sobre todos los
títulos y programas de postgrado que oferta, los recursos a disposición de los
estudiantes, así como información pertinente y enlaces a cada uno de los títulos
ofertados. Además, toda la información también estará disponible en la propia web del
programa del máster.
En lo que se refiere a la UC, y en relación con la información a los futuros alumnos
sobre los criterios de acceso y admisión, procedimiento de matrícula, etc., el Servicio
de Gestión Académica de la Universidad de Cantabria edita cada año una Guía de
Estudios Oficiales de Postgrado, que se distribuye tanto internamente como fuera de
la institución, enviándose a Universidades españolas, Oficinas de Información Juvenil,
Oficinas de Información Universitaria de Ayuntamientos, Consejería de Educación de
Cantabria y Consejerías de Educación de toda España. Esta Guía está también accesible
en la Web institucional desde la sección de Servicio de Información Académica.
La Facultad de Ciencias de la UC edita también información completa sobre las
titulaciones que imparte, accesible al público a través de la página Web de la UC
(http://www.unican.es/WebUC/catalogo/planes) y del Centro
(http://www.unican.es/Centros/ciencias/postgrado/POP_EXTRACTO.htm).
Página 3 de 3
La información recogida en dichas páginas Web incluye, entre otros aspectos, las vías y
requisitos de acceso al título, incluyendo el perfil de acceso recomendado.
De igual forma, la organización de la docencia será gestionada por la Facultad de
Ciencias. Las labores de acogida de alumnos se coordinan a través de la Facultad de
Ciencias por parte de la comisión que regula el servicio de orientación y de acogida de
alumnos que es supervisado por el Servicio de Gestión Académica de la UC.
Al principio de cada curso se entregará al estudiante una guía en la que se incluye toda
la información referente al calendario escolar, distribución de horarios, guías docentes
de cada asignatura, aulas y recursos materiales disponibles.
Existirá una Comisión Académica del Título nombrada por la comisión de seguimiento
del convenio entre las dos Universidades participantes en este título. Formarán parte
de ella los dos directores, uno en representación de cada una de las instituciones, así
como entre 3 y 5 profesores del máster. Se buscará una representación de las distintas
áreas participantes, que todos los miembros sean doctores y con una amplia
experiencia.
Este órgano se complementará con la Comisión de Calidad del Máster, que estará
constituida por los coordinadores del Máster y otros tres profesores, un egresado del
Máster, un representante del PAS, un alumno y un representante de las empresas
colaboradoras. En esta Comisión habrá al menos un experto en las temáticas de cada
una de las especialidades.
Página 1 de 15
5. PLANIFICACIÓN DE LAS ENSEÑANZAS 5.1. Estructura de las enseñanzas
El Plan de Estudios se desarrolla en 60 créditos que se distribuyen en dos
cuatrimestres y por lo tanto en un curso académico. De acuerdo con las normativas de
la UC y de la UIMP, se permitirá y facilitará en la medida de lo posible que los alumnos
que lo deseen puedan complementar su formación cursando adicionalmente
asignaturas optativas de una especialización distinta a la elegida.
El programa se ha diseñado utilizando como unidad básica la asignatura, que supondrá
una matrícula y evaluación independiente, agrupadas en materias con coherencia
temática y con desarrollo común de competencias. A su vez, distintas materias se
agrupan en módulos, que representan una unidad de nivel formativo.
La distribución temporal de las asignaturas dentro del plan de estudios será conocida
por los estudiantes antes de su primera matrícula, además de ser pública en la web de
las ambas universidades y en las guías de información de la titulación.
El Máster incluye un primer módulo, denominado Fundamentos, de 30 créditos, que
incluye 3 materias repartidas en 5 asignaturas obligatorias de 6 créditos, todas ellas
impartidas en el primer cuatrimestre:
M01.1 Introducción a los datos masivos y a la ciencia en abierto/ Introduction to
Big Data and Open Science
M02.1 Estadística para la Ciencia de Datos/ Statistics for Data Science
M02.2 Minería de datos/ Data Mining
M03.1 Modelos de datos y sistemas de información/ Data Models and Information
Systems
M03.2 El ciclo de vida de los datos: de la adquisición a la presentación/ Data Life
cycle: from acquisition to presentation
En el segundo cuatrimestre, dentro de un segundo módulo, denominado
Especialización, de 12 créditos, cada estudiante debe escoger un mínimo de 3 de las
siguientes asignaturas optativas de 4 créditos. Se recomendará seguir todas las
asignaturas de uno de los bloques, y así se obtendrá la especialidad correspondiente,
aunque se dejará libertad para posibles estudiantes de perfil más transversal, en cuyo
Página 2 de 15
caso los alumnos obtendrán el título de máster sin especialidad. Los estudiantes que
quieran optar por una especialidad concreta deberán escoger las tres asignaturas
asociadas a dicha especialidad: “Inteligencia en Ciencia de Datos/ Data Science
Analytics ”, “Ingeniería de Datos/ Data Science Engineering ” y “Gestión de Datos en
Abierto/ Open Data Management ”. En caso de no ser así el estudiante obtendrá el
título de máster con la especialidad en “Ciencia de Datos/ Data Science”.
Las especialidades serán las siguientes:
Especialidad Inteligencia en Ciencia de Datos/ Data Science Analytics
M04.1 Aprendizaje Automático I/ Machine Learning I
M04.2 Aprendizaje Automático II/ Machine Learning II
M04.3 Semántica, datos conectados y minería de datos textual/ Semantics, Linked
Data, Text Data Mining
Especialidad Ingeniería de Datos/ Data Science Engineering
M05.1 Sistemas de computación para datos masivos/ Computing systems for Big
Data
M05.2 Herramientas en la nube para la Ciencia de Datos/ Cloud for Data Science
M05.3 Desarrollo de proyectos/ Project development (OpenProject, github)
Especialidad Gestión de Datos en Abierto/ Open Data Management
M06.1 Portales y servicios de acceso a datos en abierto/ Open Data portals and
access services
M06.2 Preservación de Datos/ Data preservation
M06.3 Repositorios en Abiertos/ Open Data repositories
Especialidad Ciencia de Datos/ Data Science
El estudiante escogerá 3 asignaturas de las ofertadas en las diferentes
especialidades
Todos los estudiantes, independientemente de la especialidad escogida, adquirirán
todas las competencias definidas en el apartado de “competencias”. Por otro lado, en
Página 3 de 15
función de la especialidad y asignatura escogida se adquirirán las siguientes
competencias específicas:
Inteligencia en Ciencia de Datos/ Data Science Analytics
DSDA03 – Aplicar técnicas analíticas especializadas para permitir una toma de
decisiones ágil.
Ingeniería de Datos/ Data Science Engineering
DSENG03 - Desarrollar herramientas especializadas de análisis de datos para
apoyar la toma de decisiones ejecutivas.
DSENG04 - Diseñar, construir, operar tecnologías de bases de datos.
DSENG05 - Desarrollar soluciones para un acceso de datos seguro y fiable.
DSENG06 – Realizar prototipos de nuevas aplicaciones de analítica de datos.
Gestión de Datos en Abierto/ Open Data Management
DSDM04 - Desarrollar y mantener un repositorio histórico de datos y de resultados
de su análisis, garantizando su procedencia (“provenance”).
DSRM05 - Contribuir a e influir en el desarrollo de los objetivos de una
organización en cuanto a manejo y gestión de datos.
DSBPM05 - Analizar los datos de los clientes para identificar / optimizar la relación
con los mismos.
En el tercer módulo, Contexto Profesional de 6 créditos, los estudiantes deberán
cursar obligatoriamente las dos asignaturas de 3 créditos:
M07.1 Seguridad, Privacidad y Aspectos Legales/ Security, Privacity and legal
aspects
M08.1 Nuevos desarrollos en Ciencia de Datos/ New developments in Data Science
Y en el cuarto módulo, Orientación Profesional de 6 créditos, al menos una de las
optativas de 6 créditos:
M09.1 Prácticas externas/ Internships
M10.1-6 Laboratorios de datos/ DATALABS (Biomedicina, Medio Ambiente, Física y
Astronomía, Economía y finanzas, Internet de las Cosas, Ciencias Sociales)
Página 4 de 15
Se concluirá con el Trabajo Fin de Máster, TFM, M11.1, obligatorio, de 6 créditos. El
TFM tiene como principal objetivo movilizar las competencias del máster y validar que
el estudiante las ha adquirido, aunque versará sobre la temática de la especialidad
escogida, formando parte de ella y de igual forma desarrollará y validará las
competencias específicas de ésta.
Como se ha mencionado anteriormente, el Máster ofrece una formación dirigida a
futuros profesionales en diversas áreas de conocimiento, especialmente incluyendo
aquellas que requieren un enfoque multidisciplinar. Independientemente de la
especialización que pueda elegir, el estudiante tendrá una formación común básica
garantizada por las asignaturas obligatorias en el Módulo de Fundamentos, que
proporcionan tanto los principios cómo las herramientas comunes a considerar en el
resto del Máster.
El módulo de Especialización permite al estudiante dirigir su aprendizaje mediante
asignaturas optativas de acuerdo a su formación, especialmente técnica, e interés, y
pensando en completarla en el Módulo de Orientación Profesional. La especialización
propiamente dicha se verá complementada por la asignación por parte de la Comisión
Académica de los Laboratorios de Datos, escuchado el alumno, y un TFM en la
temática correspondiente.
El módulo de Contexto Profesional incluye dos asignaturas obligatorias, una primera
sobre seguridad, privacidad y aspectos legales, y otra sobre nuevos desarrollos, basada
en seminarios, que permite al estudiante conocer los últimos avances y tendencias del
área antes de elegir su destino profesional.
El módulo de Orientación Profesional incluye las optativas orientadas directamente a
establecer un contacto con el trabajo futuro: prácticas curriculares y los denominados
“Laboratorios de datos”, en los que se exploran las herramientas, conjuntos de datos y
casos de uso en diferentes áreas. Además servirán para complementar muchas de las
competencias que se desarrollan en el TFM.
El módulo de Orientación profesional junto con el TFM permitirá también ofrecer una
orientación más investigadora al alumno que lo desee, mediante la elección adecuada
Página 5 de 15
de 6 créditos de Laboratorio de datos y 6 de TFM integrados en un grupo de
investigación.
Estudiantes a tiempo parcial y extranjeros.
El máster se podrá cursar a tiempo parcial. Para su desarrollo de manera efectiva, para
estudiantes que compaginan su formación con un trabajo o residan fuera de
Santander, se concentrarán temporalmente las actividades formativas en las que la
presencia física del alumno es obligatoria (por ejemplo actividades prácticas) y se
favorecerá la realización de otras de forma síncrona-remota (videoconferencia).
La Universidad de Cantabria y la Universidad Internacional Menéndez Pelayo y, en
particular, el profesorado implicado en este máster, tiene una amplia y dilatada
experiencia en el uso de plataformas de aprendizaje online: Moodle, Blackboard y
OpencourseWare. También se tiene experiencia y herramientas para la realización de
videoconferencias.
Las competencias específicas definidas en el apartado “Criterio 3. Competencias” de
esta memoria siguen el modelo establecido en el proyecto EDISON y responden a la
siguiente clasificación:
DSDA-DA: las competencias englobadas bajo esta nomenclatura están relacionadas
con la utilización de técnicas estadísticas apropiadas y análisis predictivo en los
datos disponibles para descubrir nuevos patrones o relaciones.
DSDM-DM: las competencias recogidas bajo esta denominación están relacionadas
con el desarrollo e implementación de una estrategia de gestión de datos para la
adquisición de estos, almacenamiento, preservación, y que garantice la
disponibilidad para su posterior procesamiento y re-uso.
DS-ENG: las competencias englobadas bajo esta nomenclatura son las que utilizan
los principios de ingeniería para investigar, diseñar, desarrollar e implementar
nuevos instrumentos y aplicaciones para la recogida de datos, su análisis y su
gestión.
DS-RM: las competencias bajo esta denominación son las que guardan relación con
la creación de nuevas visiones y capacidades mediante el uso del método científico
(hipótesis, prueba y evaluación) que permitan descubrir nuevos enfoques para
Página 6 de 15
crear nuevos conocimientos y lograr así los objetivos deseados en investigación u
organización.
DS-BPM: las competencias recogidas bajo esta denominación son las que guardan
relación con la utilización del conocimiento en un área (científica o de negocios)
para desarrollar aplicaciones de análisis de datos pertinentes y adaptar los
métodos generales de Data Science a ese área específica: tipos de datos y sus
formatos, modelos de procesos, roles y relaciones dentro de la organización.
5.2. Descripción de los módulos o materias que constituyen la estructura del plan
de estudios.
1.- Módulo de Fundamentos.
Este Módulo es obligatorio para todos los alumnos matriculados y consta de 5
asignaturas agrupadas en tres materias (M01-M03):
M01 Panorama de Ciencias de Datos/ Overview of Data Science
o M01.1 Introducción a los datos masivos y a la ciencia en abierto/ Introduction to
Big Data and Open Science
M02 Métodos de Ciencias de Datos/ Methods in Data Science
o M02.1 Estadística para la Ciencia de Datos/ Statistics for Data Science
o M02.2 Minería de datos/ Data Mining
M03 Gestión de datos/ Data Managment
o M03.1 Modelos de datos y sistemas de información/ Data Models and
Information Systems
o M03.2 El ciclo de vida de los datos: de la adquisición a la presentación/ Data
Life cycle: from acquisition to presentation
2.- Módulo de Especialización.
El alumno deberá escoger 3 asignaturas de este módulo. Si quiere obtener una
especialización determinada deberá cursar obligatoriamente las tres de una de las
siguientes materias (M04, M05 o M06).
M04 Especialidad Inteligencia en Ciencia de Datos/ Data Science Analytics
o M04.1 Aprendizaje Automático I/ Machine Learning I
Página 7 de 15
o M04.2 Aprendizaje Automático II/ Machine Learning II
o M04.3 Semántica, datos conectados y minería de datos textual/ Semantics,
Linked Data, Text Data Mining
M05 Ingeniería de Datos/ Data Science Engineering
o M05.1 Sistemas de computación para datos masivos/ Computing systems
for Big Data
o M05.2 Herramientas en la nube para la Ciencia de Datos/ Cloud for Data
Science
o M05.3 Desarrollo de proyectos/ Project development (OpenProject, github)
M06 Gestión de Datos en Abierto/ Open Data Management
o M06.1 Portales y servicios de acceso a datos en abierto/ Open Data portals
and access services
o M06.2 Preservación de Datos/ Data preservation
o M06.3 Repositorios en Abiertos/ Open Data repositories
3.- Módulo de Contexto Profesional.
Este módulo incluye las siguientes asignaturas (obligatorias para todos los alumnos) :
o M07.1 Seguridad, Privacidad y Aspectos Legales/ Security, Privacity and
legal aspects
o M08.1 Nuevos desarrollos en Ciencia de Datos/ New developments in Data
Science
4.- Módulo de Orientación Profesional.
Es en este módulo donde el alumno podrá escoger entre realizar prácticas externas
(con una dedicación de 6 créditos) o realizar dos Laboratorios de datos/ Datalabs (de 3
créditos cada uno).
Se ofrecerá de forma optativa la realización de prácticas externas en algunas de las
empresas colaboradoras y con otras del mismo perfil que se vayan incorporando
cuando el máster se ponga en marcha. En la Facultad de Ciencias existe un
procedimiento anual de solicitud de puestos en las empresas, realización de oferta a
los alumnos, asignación, seguimiento y calificación.
Página 8 de 15
También se prevé la posibilidad de realizar estas prácticas en otros organismos, tales
como otros centros de investigación del CSIC y en centros de investigación
internacionales como el CERN, la ESA o EGI.
M09 Prácticas externas/ Internships
M10 Laboratorios de datos/ DataLabs
o M10.1 Biomedicina/ Biomedicine
o M10.2 Medio Ambiente y Meteorología/ Environment and Meteorology
o M10.3 Física y Astronomía/ Physics and Astronomy
o M10.4 Economía y Finanzas/ Economy and Finance
o M10.5 Internet de las Cosas/ Internet of Things
o M10.6 Ciencias Sociales/ Social Sciences
5.- Trabajo de Fin de Máster.
El Trabajo de Fin de Máster, M11, obligatorio, 6 créditos, consistirá en un trabajo
avanzado realizado de manera autónoma por el alumno bajo la supervisión de un
profesor del Máster. La temática y orientación de este trabajo dependerá de la
especialidad escogida. Supondrá un trabajo de iniciación al contexto profesional que le
permitirá incorporarse a una empresa o a un grupo de investigación.
El Trabajo de Fin de Máster podrá realizarse en cualquier grupo del CSIC o de la UC que
participe en el Máster, o bien en algún otro grupo o empresa con el que se llegue a un
acuerdo específico. Para ello se propondrán cada año un número de trabajos para
elección de los alumnos. En este punto, la labor orientadora del tutor es muy
importante.
El Trabajo de Fin de Máster se presentará en forma escrita y será defendido pública y
oralmente ante un tribunal nombrado al efecto que evaluará tanto la memoria
presentada como la defensa del mismo.
La Comisión Académica del Máster será la responsable del correcto desarrollo de la
planificación docente y de la coordinación de las enseñanzas. Asignará un tutor a cada
estudiante para orientarle en la elección de una especialidad, elección de materias
optativas, y determinará la adecuación del Trabajo Fin de Máster a dicha especialidad
o materias.
Página 9 de 15
5.3. Secuenciación temporal
El Máster cómo se ha indicado se divide en dos cuatrimestres. En el primero se
impartirán las asignaturas del Módulo de Fundamentos. El segundo cuatrimestre
estará centrado en la realización de las asignaturas del Módulo de Especialización, las
del Módulo de Contexto Profesional y de Orientación Profesional, incluyendo las
prácticas curriculares y/o los Laboratorios de Datos, y el TFM.
Un resumen de esta estructura se expone en la siguiente tabla.
Periodo lectivo Módulo Carácter asignaturas Créditos
1er cuatrimestre FUNDAMENTOS Obligatoria 30
2º cuatrimestre
ESPECIALIZACIÓN Optativas 12
CONTEXTO PROFESIONAL Obligatorias 6
ORIENTACIÓN PROFESIONAL Optativas 6
Trabajo de Fin de Master (TFM) TFM (obligatorio) 6
El Módulo de Fundamentos, de carácter obligatorio, tiene por objetivo proporcionar al
alumno las capacidades y destrezas básicas en Ciencia de datos/ Data Science, y en
particular todas las competencias específicas detalladas anteriormente, si bien
desarrolladas a un primer nivel. Se hace hincapié en técnicas y herramientas avanzadas
(matemáticas e informáticas) enfocadas tanto al mundo de la investigación cómo al de
la empresa. Este Módulo está orientado a ampliar los conocimientos de estas
temáticas que posee un graduado con formación científico-técnica.
El Máster está diseñado para que las competencias básicas se desarrollen en mayor o
menor medida en todas las asignaturas. Todas las asignaturas proporcionan
conocimientos que permitirán al alumno el desarrollo y aplicación de ideas originales
(competencia CB6). El enfoque que se plantea, eminentemente práctico, pone un gran
énfasis en capacidad de aplicar estos conocimientos (CB7).
De igual forma, durante todo el Máster y, muy en particular en las asignaturas
obligatorias, se promueve que los alumnos, además de adquirir conocimientos, sean
capaces de manejar aquellos adquiridos en distintos contextos para aplicarlos a casos
Página 10 de 15
prácticos (competencia básica CB8), mediante la realización de casos prácticos
(considerando los conjuntos de datos implicados, las herramientas y los servicios de
computación necesarios) basados en casos reales de uso. En todos los casos se trabaja
también la presentación de los resultados, para reforzar la competencia básica CB9. Se
favorece también el trabajo autónomo (CB10), de manera que gran parte del
aprendizaje provenga directamente de la actividad del alumno, bien sea en la
resolución de casos prácticos mencionada o en la adquisición de conocimientos. De
igual forma se desarrollan en todos los casos las competencias transversales: el
manejo, filtrado y transmisión de información (CT1) necesario para la adquisición de
conocimientos y transmisión de resultados; la capacidad de contribuir a la transmisión
de la igualdad de oportunidades (CT2) en base a los usos científicos como ejemplo de
desarrollo Universal sin entender de género, clases o fronteras. Finalmente, todas las
asignaturas de este bloque aportan además los conocimientos básicos necesarios para
la competencia CB6 y la capacidad de aplicarlos (CB7).
El Trabajo de Fin de Máster se entiende como una herramienta clave para completar la
adquisición de las competencias de este máster por parte del estudiante.
El estudiante realizará un trabajo avanzado de manera autónoma bajo la supervisión
de un profesor del Máster. La temática y orientación de este trabajo dependerá de la
especialidad escogida, pero en todos los casos deberá estar relacionada con los
contenidos del Máster e implicará un trabajo del estudiante que le permita finalizar la
adquisición de las competencias correspondientes.
En efecto, el Trabajo de Fin de Máster debe implicar un trabajo autónomo (CB10) que
enseñe al estudiante a aplicar los conocimientos adquiridos (CB7), a realizar
valoraciones sobre conocimientos y resultados (CB8), y a transmitir sus resultados
(CB9). Además, dado que el trabajo se realizará bajo la supervisión de un tutor,
integrándose en una empresa o grupo de investigación, se contribuirá también a
adquirir la competencia de trabajo en grupo (CG1) y potencialmente la de iniciar una
tesis (CG2). Durante el desarrollo del TFM, el estudiante desarrolla las competencias
CG3 a CG8.
Página 11 de 15
5.4. Actividades formativas y sistemas de evaluación
El listado de actividades formativas que se utilizarán en las asignaturas de este Máster
es el siguiente:
Actividades dirigidas:
AF1.- Participación y asistencia a lecciones magistrales y seminarios
AF2.- Realización de prácticas de computación y análisis de datos
Actividades supervisadas:
AF3.- Desarrollo de proyectos guiados
AF4.- Participación en casos prácticos en empresas o centros de investigación
AF5.- Prácticas externas
AF6- Tutorías (presenciales o por medio de recursos telemáticos)
Actividades autónomas:
AF7.- Elaboración de informes de laboratorio y trabajos
AF8.- Estudio individual de contenidos de la asignatura
AF9.- Trabajo en grupo
Actividades de evaluación:
AF10.- Pruebas de evaluación
El listado de sistemas de evaluación que se utilizarán en las asignaturas en este Máster
es el siguiente:
SE1.- Examen (escrito, oral y/o práctico en el aula de computación)
SE2.- Valoración de informes y trabajos escritos
SE3.- Valoración de exposiciones orales de trabajos
Página 12 de 15
SE4.- Seguimiento de actividades presenciales
SE5.- Memoria escrita del Trabajo Fin de Máster
SE6.- Defensa del Trabajo Fin de Máster
SE7.- Informe final del tutor externo de la actividad
Las metodologías docentes que se utilizarán en este Máster son las siguientes:
MD1a.- Clases magistrales en el aula
MD1b.- Resolución de casos en el aula
MD2a.- Experiencias de aula de computación
MD2b.- Prácticas de computación
MD3.- Exposiciones orales de trabajos
MD4.- Trabajos escritos
MD5.- Elaboración de informes
MD6.- Seminarios
MD7.- Tutorías
El listado de sistemas de evaluación que se utilizarán en las asignaturas en este Máster
es el siguiente:
SE1.- Examen escrito
SE2.- Examen oral
SE3.- Examen práctico en el aula de computación
SE4.- Valoración de informes y trabajos escritos
SE5.- Valoración de exposiciones orales de trabajos
Página 13 de 15
SE6.- Seguimiento de actividades presenciales
SE7.- Memoria escrita del Trabajo Fin de Máster
SE8.- Defensa del Trabajo Fin de Máster
SE9.- Informe final del tutor externo de la actividad
5.5. Mecanismos de coordinación docente
El órgano responsable de la gestión académica del Máster es la Comisión de
Académica, que estará dirigida por los dos Directores y completada por otros cuatro
profesores (que incluya una representación adecuada de ambas instituciones y de las
distintas temáticas que componen el máster). Esta Comisión será nombrada y estará
supeditada a la Comisión de Seguimiento, que estará regulada por el Convenio UC-
UIMP para Programas de Posgrado. La comisión de Seguimiento será la responsable de
velar que el desarrollo del Máster se ajusta a dicho Convenio, vendrá nombrada por
los órganos responsables en cada una de las Instituciones.
Esta comisión reportará a las Comisiones Académicas de Posgrado competentes de
cada una de las dos universidades:
En el caso de la UC, ésta será la Comisión Académica de Posgrado de la Facultad de
Ciencias, la cual está compuesta por un presidente (el Coordinador de Posgrado) y
por un vocal por cada uno de los Másteres en los que participa el personal de la
Facultad y otro vocal por cada uno de los Programas de Doctorados afines a la
misma. Este órgano coordina los Másteres oficiales impartidos en el Centro,
además de aprobar el acceso y la admisión de alumnos a dichos Másteres. La
composición concreta de este órgano de coordinación académica es aprobada por
la Junta del Centro.
En el caso de la UIMP, se trata de la Comisión de Estudios de Postgrado y
Doctorado, presidida por la Vicerrectora de Postgrado e Investigación y compuesta
por vocales especialistas en diversas áreas del conocimiento. Entre otras cosas,
propone las autorizaciones de ingreso de estudiantes con formación extranjera no
homologada e informa de las solicitudes de reconocimiento de créditos.
Página 14 de 15
La Comisión Académica revisará anualmente las guías docentes propuestas para el
curso siguiente, supervisando que se ajustan a lo establecido en esta memoria y
proponiendo los cambios pertinentes de acuerdo con las observaciones de la Comisión
de Calidad. Se realizarán periódicamente reuniones de con los responsables de las
asignaturas, teniendo en cuenta coordinación dentro de las materias y entre materias.
Respecto del funcionamiento del Sistema Interno de Garantía de Calidad (SIGC, en lo
que sigue), responsable de la validación del funcionamiento de los mecanismos de
coordinación docente, se debe indicar aquí que será de aplicación el SIGC de la UIMP
cuya descripción puede encontrarse en el apartado 9 de esta memoria de verificación.
Tal y como se describe en ese apartado, este descansa en el funcionamiento del SIGC
del centro colaborador (en este caso el SIGC de la Facultad de Ciencias de la
Universidad de Cantabria) bajo los parámetros que marca el SIGC de la UIMP. Como se
puede observar en http://web.unican.es/unidades/area-calidad/sgic el
funcionamiento del SIGC de la Facultad de Ciencias de la Universidad de Cantabria
cumple claramente con los parámetros que marca el SIGC de la UIMP. En este caso la
Comisión de Calidad del centro colaborador (la Facultad de Ciencias de la Universidad
de Cantabria) reportará tanto a la Comisión Mixta UIMP-UC como a la Comisión de
Calidad de la UIMP como a la Comisión de Calidad de la Universidad de Cantabria.
5.6. Movilidad de los estudiantes
Siendo un plan de estudios de un año la movilidad estará concentrada
fundamentalmente al final del máster, en particular para la realización del TFM, de los
Datalabs y de las prácticas externas. Se promocionará la realización de alguna de estas
asignaturas en régimen de movilidad en algunas de las varias instituciones y empresas
colaboradoras que están radicadas fuera de Cantabria.
Además la Facultad de Ciencias de la UC tiene actualmente numerosos acuerdos de
intercambio con prestigiosas Universidades Europeas y norteamericanas en las áreas
de Ingeniería Informática, Física y Matemáticas, que se esperan poder extender a este
máster para aumentar la oferta de movilidad.
Página 15 de 15
Los Programas de Intercambio que mantiene la Facultad de Ciencias están acogidos al
Título VII de la normativa de Gestión Académica de la Universidad de Cantabria, (ver
http://www.unican.es/NR/rdonlyres/F904B85D-F16D-4E66-AFCA-
72FEFBF3DE62/0/NormativaGestiónAcadémica190207.pdf), “Intercambios
universitarios”.
Esta Normativa regula convocatorias, ayudas, elaboración y modificación del plan de
estudios, tareas de los coordinadores (directores) y otros asuntos de índole académica
o administrativa relativos al intercambio, ya sea que la Universidad de Cantabria actúe
como Institución de origen o de destino del estudiante.
Además, la Facultad de Ciencias dispone de su propia normativa, que desarrolla la
anterior. En ella se regulan los apartados que, o bien requieren ampliación de algún
aspecto de la normativa general (por ejemplo, la posibilidad de hacer exámenes a
distancia), o bien plantean problemas específicos por la naturaleza de las titulaciones
impartidas en el Centro (por ejemplo, la posibilidad de realizar trabajos de fin de
titulación, que están ligados a la obtención del título).
Página 1 de 6
6. PERSONAL ACADÉMICO 6.1. Profesorado
El personal académico del Máster estará formado por profesores de la UC e
investigadores del CSIC, todos ellos con una amplia y dilatada experiencia docente e
investigadora en temas relacionados con los de este máster. Se verán
complementados por expertos nacionales e internacionales de distintos centros de
investigación y distintas áreas que aportarán su experiencia y visión. También se
contará con numerosos profesionales de empresas de este ámbito que igualmente
transmitirán su visión, próxima a la aplicación comercial.
Desde la de la UC contribuirán profesores de distintas áreas pertenecen al IFCA
(Instituto de Física de Cantabria) y a los departamentos de Matemáticas, Estadística y
Computación, Matemática Aplicada y Ciencias de la Computación, Ingeniería
Informática y Electrónica, Ingeniería de las Comunicaciones y Economía.
También participará personal científico de distintos Institutos de Investigación del CSIC
con nivel académico equivalente. Su participación viene amparada tanto por la UC
(para investigadores del IFCA), como por la UIMP (para el resto). De acuerdo con la
Normativa de Gestión Académica de los Estudios Oficiales de Máster de la UC, el
personal de plantilla del CSIC perteneciente al IFCA goza de venia docendi permanente
para la impartición de docencia en los másteres oficiales de la UC. En la actualidad el
personal del CSIC perteneciente al IFCA imparte docencia en el máster oficial en vigor
de la UC titulado “Máster Universitario en Física, Instrumentación y Medio Ambiente”.
El IFCA ha manifestado su acuerdo e interés en que el personal del CSIC participe en la
docencia del Máster Universitario en Data Science (ver escrito adjunto de la dirección
del IFCA).
Con todo esto se cuenta con 19 profesores e investigadores senior a tiempo completo,
complementados por 2 jóvenes investigadores doctores, adscritos al programa Ramón
y Cajal, aunque obviamente año a año se diseñará la organización docente que podrá
incorporar ligeros cambios respecto de lo aquí planteado (sin que ello suponga una
merma en la cualificación docente e investigadora de los profesores que impartan
docencia en este Máster). A grandes rasgos, cerca de un 40% está formado por
Página 2 de 6
Catedráticos de Universidad y Profesores de Investigación del CSIC, poco más del 40%
por Profesores Titulares de Universidad, Investigadores Científicos, Científicos Titulares
del CSIC, Profesores Contratado Doctor y el resto por Investigadores Ramón y Cajal y
Profesores/investigadores externos. Se trata, por tanto, de un profesorado muy
estable, aunque incluye también profesores jóvenes. Todos los profesores de la UC e
investigadores del CSIC que participan en el Máster cómo responsables de asignaturas
serán doctores con dedicación a tiempo completo.
El reparto docente ser hará anualmente y se espera ir ampliando el profesorado,
incorporando nuevos expertos internacionales y nuevo personal propio, pero en líneas
generales, en el momento de escribir esta memoria, se calcula que en torno al 40% de
la docencia corresponderá a profesores de la UC, el 40% a investigadores del CSIC
(profesores a través de la UIMP) y el 20% a profesorado externo. Por módulos, se
espera que en el módulo de fundamentos la docencia se reparta aproximadamente al
50% entre UC y CSIC; mientras módulo de contexto profesional la mayoría (en torno al
80%) recaiga en profesionales externos y en torno al 20% en el CSIC. En el módulo de
especialización dependerá de las especialidades: mientras que en el de “Data Science
analytics” se espera una participación del 70-80% de personal de la UC y 20-30% del
CSIC; en “Data Science Engineering” será de 30%-50%, con una contribución externa
del 20%; en “Open Data” se espera una contribución mayoritaria de expertos externos,
en torno al 80%. En cualquier caso, hay que tomar estos números como orientativos
puesto que en muchas ocasiones hay profesorado de ambas instituciones experto en
una temática y la asignación podrá variar de un año a otro.
A continuación se indica con más detalle la lista inicial de profesorado con el que se
cuenta.
Profesores de la UC:
Participarán inicialmente en el Máster 9 profesores de la UC y 2 contratados Ramón y
Cajal. Incluye profesorado de áreas de Matemáticas y Estadística, Economía, Física,
Arquitectura de Computadores, Ingeniería de software e Ingeniería de
Telecomunicaciones.
Página 3 de 6
Experiencia docente:
Todos los profesores de la UC que participan tienen una amplia experiencia docente,
tanto a nivel de grado como de posgrado, habiendo participado en la docencia de
diversos másteres universitarios, así como en programas de doctorado con mención de
calidad.
Experiencia investigadora:
Todos los profesores de la UC participantes tienen al menos 15 años de experiencia
investigadora. El 70% del profesorado (incluyendo los investigadores Ramón y Cajal)
tiene más de 20 años de experiencia investigadora. El 40% del profesorado tiene más
de 30 años de experiencia investigadora.
Tramos de investigación reconocidos:
Todos los profesores permanentes de la UC participantes tienen al menos un sexenio
de investigación reconocido. Cerca del 90% del profesorado (incluyendo los
investigadores Ramón y Cajal) tiene 2 o más sexenios de investigación reconocidos. El
80% del profesorado tiene 3 o más sexenios de investigación reconocidos.
Investigadores del IFCA:
Participarán en el Máster 4 investigadores del CSIC en el IFCA.
Experiencia docente:
Los investigadores del CSIC del IFCA han impartido docencia en las licenciaturas y
grados de Física y Matemáticas y en los másteres oficiales de la UC titulados
“Computación”, “Física y Tecnologías Físicas”, “Técnicas de Análisis, Evaluación y
Gestión Sostenible de Procesos y Riesgos Naturales” y “Física, Instrumentación y
Medio Ambiente”. El 75% de los investigadores tiene más de 10 años de experiencia
docente. El 38% tiene más de 20 años de experiencia docente.
Experiencia investigadora:
Los investigadores pertenecen a las líneas de investigación de Meteorología y Minería
de Datos, Astrofísica, Física de Partículas y Computación y participan en proyectos de
gestión, modelización y análisis de grandes volúmenes de datos en sus respectivas
Página 4 de 6
áreas. El 80% de los investigadores del CSIC tienen al menos 20 años de experiencia
investigadora. El 30% tiene más de 30 años de experiencia investigadora.
Tramos de investigación reconocidos:
El 89% de los investigadores tiene 3 o más sexenios de investigación reconocidos. El
38% tiene 5 sexenios de investigación reconocidos.
Otros investigadores del CSIC:
Participarán en el Máster 6 investigadores de otros Institutos del CSIC, IIIA (Instituto de
Investigación en Inteligencia Artificial), IFISC (Instituto de Física de Sistemas
Complejos), IFIC (Instituto de Física Corpuscular) y MNCN (Museo Nacional de Ciencias
Naturales), con similar experiencia docente e investigadora en sus respectivos
ámbitos.
Otras colaboraciones:
En el momento de escribir esta memoria existe el compromiso de participación de
profesionales de al menos 7 empresas, número que probablemente aumentará antes
de poner en marcha el máster. Se trata en todos los casos de titulados superiores,
Ingenieros Informáticos, Ingenieros de Telecomunicación, Físicos o Matemáticos, con
amplia experiencia profesional y actividad actual en distintas temáticas de análisis y
gestión de Big Data. Participarán impartiendo algunas clases, presentando la aplicación
a casos prácticos de los fundamentos y herramientas descritas en la asignatura.
También dirigiendo a alumnos en prácticas, datalabs o TFM.
De igual forma, se espera la participación puntual en la docencia de investigadores
nacionales e internacionales de gran experiencia en el área, principalmente a través de
seminarios especializados, mediante su contribución a la asignatura de Datalabs y la
supervisión de TFM. Se indican a continuación los que han sido contactados y han
confirmado su interés en participar:
Wolfgang Karl Härdle (Humboldt University, Berlin),
Experto en estadística avanzada en Economía y Finanzas.
David Rodríguez (Universidad de Edimburgo)
Página 5 de 6
Doctor, investigador experto en gestión de datos en hospitales, en particular en
imagen neuronal.
Ignacio Coterillo (CERN CERN-IT)
Experto en bases de datos, responsable proyecto DB (Oracle) on demand.
Isidro González Caballero (Universidad de Oviedo)
Doctor, Experto en análisis de datos de gran volumen (LHC) y en técnicas de
procesado paralelo (PAF).
Javier Fernández Menéndez (Universidad de Oviedo)
Doctor, Experto en análisis de datos de gran volumen (LHC) y técnicas de filtrado y
reducción masiva.
Pietro Vischia (Universidad de Oviedo)
Doctor, Experto en técnicas de aprendizaje automático aplicadas a clasificación.
Fermín Serrano (BIFI, Universidad de Zaragoza)
Experto en datos en Ciencia Ciudadana.
Enrique Alonso (UAH, Alcalá de Henares)
Profesor Doctor, Experto en cuestiones legales y modelos de uso de datos .
Juan Miguel González Aranda (LifeWatch ERIC, Sevilla)
Doctor, Experto en técnicas de colaboración en uso de datos distribuidos.
Tiziana Ferrari (EGI.eu, Amsterdam, Holanda)
Doctora, responsable de la iniciativa grid europea de cálculo distribuido,
incluyendo el portal EGI DataHub.
Jorge Gomes (LIP, Lisboa, Portugal)
Experto en tecnologías cloud, supercomputación e integración de software y
procesado de datos.
Davide Salomoni (INFN/CNAF, Bolonia, Italia)
Experto en middleware cloud y de procesado de datos, coordinador del proyecto
INDIGO-DataCloud.
Marcus Hardt (KIT, Karlsruhe, Alemania)
Experto en seguridad y en técnicas de autenticación.
Marcin Plociennik (PSNC, Poznan, Polonia)
Doctor, experto en interfaces de usuario en Data Science.
Página 6 de 6
Lukasz Dutka (CYFRONET, Cracovia, Polonia)
Doctor, experto en sistemas de gestión de datos distribuidos (OneData).
Página 1 de 2
6.2. Otros Recursos Humanos
El Máster contará con el apoyo del personal de administración y servicios de la UIMP,
tal y como especifica el Convenio de colaboración entre UC y la UIMP. El mismo
especifica que la UIMP se encargará, de tareas de gestión del expediente académico y
expedición de cada Título (los procesos para la gestión de expedientes académicos y
expediciones de títulos serán los propios de la UIMP, y gestión de convenios con
organismos y entidades colaboradoras, cuando proceda.
La Universidad Internacional Menéndez Pelayo aporta los recursos de personal
propios, como administración (servicio de secretaría de alumnos y coordinación de
profesores, gabinete de prensa y emisión de títulos y certificaciones, gestión
económica) y servicios (reprografía).
La tabla que se muestra a continuación detalla el personal de apoyo con el que se
cuenta, desde la UIMP
Denominación del puesto Responsabilidades Categoría administrativa
Coordinador de estudios y
programas
Coordinación general de
programas de posgrado de la
Universidad
Responsable de los procesos de
evaluación de títulos.
Profesor titular de universidad
Funcionario A1
Coordinador de estudios de
posgrado
Coordinación del estudio.
Control de proyectos, edición,
seguimiento presupuestario y
de la renovación de los estudios.
Catedrático de enseñanza
secundaria
Funcionario A1
Técnico de gestión académica Gestión del programa de
posgrado
Técnico de programación
Laboral Grupo 2
Auxiliar administrativo
Vicerrectorado de Posgrado e
Investigación
Tareas administrativas. Auxiliar administrativo
Funcionario C2
Página 2 de 2
Jefe de la Secretaría de Alumnos
de Posgrado.
Matriculación y gestión del
expediente académico.
Expedición de certificaciones y
títulos.
Jefe de Servicio
Funcionario A2
Auxiliar administrativo de
Secretaria de alumnos
Auxiliar en los proceso de
matriculación de alumnos
Auxiliar administrativo
Funcionario C2
Jefe de servicio de relaciones
institucionales y convenios
Coordinación y seguimiento del
convenio
Gestión del Estado
Funcionario A2
Jefe se servicio de coordinación
informática
Gestión del área informática de
la UIMP
Gestión del Estado
Funcionario A2
Técnico de gestión informática Administrador del Campus
Virtual.
Centro de atención al usuario.
Técnico de programación
informática
Laboral Grupo 1
Además en la Facultad de Ciencias de la Universidad de Cantabria cuentan con una
plantilla de personal de administración y servicios y personal técnico que permite
atender los servicios de gestión administrativa, los servicios de la biblioteca y el
mantenimiento de las aulas de laboratorios y de las salas de informática. El servicio de
Gestión académica cuenta con personal dedicado a la gestión de matrículas, de
expedientes, expedición de títulos, etc.
Página 1 de 3
7. RECURSOS MATERIALES Y SERVICIOS El Máster Universitario se impartirá en la Facultad de Ciencias de la Universidad de
Cantabria y en el Instituto de Física de Cantabria (IFCA). Se incluye aquí la descripción
de los recursos materiales y servicios que estos pondrá a disposición de los estudiantes
de este Máster.
7.1. Justificación de los medios materiales y servicios disponibles.
El Instituto de Física de Cantabria (IFCA) y la Facultad de Ciencias de la Universidad de
Cantabria proporcionarán los espacios necesarios (aulas, laboratorios y salas de
ordenadores) y el material académico y bibliográfico necesario para el adecuado
desarrollo del Máster. Los distintos grupos de investigación están dispuestos a dar
acceso a parte de su material investigador en los casos que sea necesario.
En la Facultad de Ciencias de la Universidad de Cantabria se dispone (a compartir con
otros usos) de un total de 20 aulas y seminarios (con capacidad entre 12 y 132
alumnos, proyector, retroproyector de transparencias, pantalla y pizarra), 5
Laboratorios de Informática para docencia (entre 8 y 39 equipos con S.O. Windows y
Linux), uno para acceso libre de los alumnos (con 10 equipos PCs con S.O. Windows y
software científico instalado), 15 laboratorios de prácticas o investigación, biblioteca
(con 12 estaciones de trabajo) y sala de estudio (capacidad para 78 alumnos), con
acceso wifi en todo el recinto de la Facultad.
En el IFCA se podrá disponer, principalmente, de las salas de reuniones y conferencias
(Salas Marie Curie, Albert Einstein y Max Planck). Entre los medios disponibles, se
cuenta en el IFCA con sistemas de computación con acceso especial para los alumnos
del Máster, que incluyen:
Clúster 3 Teraflops con SO Linux y portal específico para uso de R
Sistemas Cloud con IaaS, PaaS, SaaS
Supercomputador ALTAMIRA, >50 Teraflops con SO Linux
Sistema de almacenamiento con capacidad de 2 Petabytes
Conexión de red a 10Gb a Internet
Página 2 de 3
Sistema de archivado con capacidad de 1 Petabyte
La Universidad de Cantabria dispone de dos programas para garantizar la adecuación
de las infraestructuras a las necesidades derivadas de la implantación de las nuevas
titulaciones:
a) Programa de Obras de Reparación y Conservación (Inversiones) integrado como
anexo 8 en los presupuestos anuales, vinculado al Programa 5 "RAM y
Equipamiento" del Contrato-Programa con el Gobierno de Cantabria.
b) Planes trienales de Renovación y Adquisición de Equipamiento Docente
La Universidad de Cantabria gestiona de forma centralizada una serie de servicios que
forman parte de este equipamiento e infraestructura, como son la Biblioteca y el Aula
Virtual, y la infraestructura de Red.
La Biblioteca de la Universidad de Cantabria (BUC) tiene el objetivo de contribuir al
avance de la Universidad de Cantabria hacia la excelencia en el cumplimiento de sus
funciones y el desarrollo de sus actividades. Para ello, la biblioteca cuenta con
avanzados recursos de información (colecciones, documentación electrónica, tareas de
consultoría y asesoría especializada), recursos de infraestructuras (espacios,
instalaciones y equipamientos), y servicios (personal, horarios de atención).
El Instituto de Física de Cantabria (IFCA) ha manifestado su acuerdo e interés en
participar en el Máster y en recibir estudiantes del Máster para Prácticas Curriculares o
Trabajos de Fin de Máster.
Recursos online de apoyo a la formación en https://aulavirtual.unican.es/.
Actualmente soportados por dos plataformas basadas en Moodle y BlackBoard,
respectivamente. Permiten al alumno a acceder a material formativo, realización de
pruebas, consulta de calificaciones, etc.
7.2. Desarrollo de las prácticas externas
El plan de estudios contempla la posibilidad de realizar prácticas externas en
empresas, para el desarrollo de las mismas se cuenta con el compromiso de las
siguientes 7 instituciones (las cartas de compromiso se encuentran anexas a este
apartado):
Página 3 de 3
1. CIC Consulting Informático de Cantabria, S.L.
2. VIACORE IT
3. ITEISA DESARROLLO Y SISTEMAS, S.L.
4. I+D+I de Atos Worldgrid
5. ZZircon Technologies, S.L.
6. Bilbomática, S.A.
7. GAIA NET EXCHANGE, S.L.U.
Página 1 de 1
8. RESULTADOS PREVISTOS
8.1. Estimación de valores cuantitativos para los indicadores que se relacionan a
continuación y la justificación de dichas estimaciones.
Dado la temática novedosa de este título y la orientación hacia un alumnado de
distintos orígenes, no existe información histórica que se pueda aplicar con certeza a
este caso. Sin embargo, se han revisado los indicadores de rendimiento académico de
las titulaciones de máster de la UC y la UIMP en áreas científicas o tecnológicas,
observando que en la mayoría de los casos las tasas de graduación y de eficiencia
están cercanas al 100% y los abandonos son casi inexistentes. Por otra parte, se han
estudiado los datos publicados por el Ministerio de Educación, Cultura y Deporte en su
informe “Datos y cifras del sistema Español curso 2015-2016”.
Aquí las tasas de abandono en estas mismas áreas oscilan entre el 13 y el 20% para el
último año publicado.
La tasa de graduación se encuentra entre el 75% y el 90% (éste dato para Ciencias, que
creemos se asemeja más a nuestra situación). Las tasas de éxito son muy próximas al
100% en todos los casos.
Tasa de graduación.
90%
Tasa de abandono.
10%
Tasa de eficiencia.
95%